XiaoMi-AI文件搜索系统
World File Search Systemauthors
文章：Thakker, D.、Mishra, BK、Abdullatif, A. 等人（另外 2 位作者）（2020 年）可解释的人工智能用于开发智能城市解决方案。《智能城市》，3 (4)。第 1353-1382 页。ISSN 2624-6511
摘要：用于开发智能城市解决方案的传统人工智能 (AI) 技术，机器学习 (ML) 和最近的深度学习 (DL)，更多地依赖于利用最具代表性的训练数据集和特征工程，而不是可用的领域专业知识。我们认为，这种解决方案开发方法使得解决方案的结果更难解释，即通常无法解释模型的结果。城市决策者越来越担心人工智能解决方案缺乏可解释性，这被认为是此类基于人工智能的解决方案获得更广泛接受和信任的主要障碍。在这项工作中，我们调查了“可解释深度学习”作为“可解释人工智能”问题的一个子集的概念，并提出了一种使用语义网技术的新解决方案，并在欧盟委员会资助的项目中通过智能城市洪水监测应用程序进行了演示。监测易受洪水问题影响的关键地理区域的沟渠和排水系统是任何洪水监测解决方案的重要方面。该问题的典型解决方案包括使用摄像机实时捕捉受影响区域的图像，其中包含不同的物体，例如树叶、塑料瓶等，并构建基于深度学习的分类器来检测这些物体，并根据图像中这些物体的存在和覆盖范围对堵塞进行分类。在这项工作中，我们独特地提出了一种可解释的人工智能解决方案，使用深度学习和语义网技术构建了一个混合分类器。在这个混合分类器中，深度学习组件检测物体的存在和覆盖程度，并使用与专家密切协商后设计的语义规则进行分类。通过利用洪水环境中的专家知识，我们的混合分类器可以灵活地使用物体及其覆盖关系对图像进行分类。通过实际用例展示的实验结果表明，与仅使用深度学习的分类器相比，这种混合图像分类方法的图像分类性能平均提高了 11%（F 测量）。它还具有独特的优势，即整合专家的知识来定义决策规则来表示复杂的情况，并利用这些知识来解释结果。
医疗相关人工智能论文作者的最佳实践
自 2017 年成立以来，npj 数字医学吸引了大量关于人工智能应用的报告手稿。过去几年，该领域发展迅速。最初人们对算法本身（机器学习、深度学习、卷积神经网络）很着迷，并使用这些算法做出的预测往往超越了现行的基准。随着学科的成熟，人们开始关注这些算法输出中的异常现象。具体来说，人们广泛批评称，算法开发的模型可能由于对训练数据的过度拟合而具有有限的通用性，并且可能系统地延续训练数据中固有的各种形式的偏见，包括种族、性别、年龄和健康状况或体能水平（Challen 等人，BMJ Qual. Saf. 28:231 – 237，2019 年；O'neil，数学毁灭性武器：大数据如何加剧不平等并威胁民主，Broadway Book，2016 年）。鉴于我们对发表最高质量论文的兴趣以及使用 AI 算法的投稿数量的不断增长，我们提供了一份标准列表，作者在向 npj Digital Medicine 提交论文之前应考虑这些标准。
b“ \ xe2 \ x80 \ xa0这些作者同等贡献，是联合\ xef \ xac \ XAC \x81rest。1作者。1电气工程系和塔布研究所，哥伦比亚大学，纽约，纽约，纽约州，纽约州，纽约州，纽约州2美国纽约州约克4号辐射肿瘤学和欧文医学中心，哥伦比亚大学，纽约，纽约，美国5病理学和细胞生物学系，以及美国纽约州哥伦比亚大学的欧文医学中心，美国纽约，纽约，纽约州6 6号，纽约，纽约，纽约，纽约，纽约，纽约，欧文医学中心和赫伯特·欧文综合综合大学，哥伦比亚大学哥伦比亚大学，哥伦比亚大学，哥伦比亚大学，哥伦比亚大学。美国纽约州纽约市精神病学研究所8神经病学系和陶伯研究所，哥伦比亚大学，纽约，纽约，美国9号，美国9号神经病学系，陶伯研究所，塞吉夫斯基中心，放射学和精神病学，哥伦比亚大学，纽约，纽约，纽约，纽约州，纽约州，纽约州纽约州，美国10号。 jg3400@columbia.edu 11用于准备本文的数据部分是从阿尔茨海默氏病神经成像计划（ADNI）数据库（ADNI.loni.usc.edu）中获得的。因此，ADNI中的调查人员为ADNI的设计和实施做出了贡献
b“ \ xe2 \ x80 \ xa0这些作者同等贡献，是ton \ xef \ xac \ x81rst作者。1电气工程系和陶伯研究所，哥伦比亚大学，纽约，纽约，美国2生物学科学系，纽约州哥伦比亚大学，纽约，纽约，哥伦比亚大学3哥伦比亚大学哥伦比亚大学，纽约，纽约，纽约，纽约州哥伦比亚大学，美国纽约，纽约州，美国4号纽约州4岁，4岁，美国4号，哥伦比亚郡及其伊利诺伊州哥伦比亚群岛，哥伦比亚郡，哥伦比亚郡，哥伦比亚群岛。 Irving Medical Center, Columbia University, New York, NY, USA 6 Department of Radiation Oncology, the Irving Medical Center and the Herbert Irving Comprehensive Cancer Center, Columbia University, New York, NY, USA 7 Department of Psychiatry, Columbia University, and the New York State Psychiatric Institute, New York, NY, USA 8 Department of Neurology and the Taub Institute, Columbia University, New York, NY, USA 9 Department of Neurology, the TAUB Institute，Sergievsky中心，放射学和精神病学，哥伦比亚大学，纽约，纽约，纽约，美国10精神病学系，Mortimer B. Zuckerman Mind Marin Brain Brain行为研究所，哥伦比亚大学，纽约，美国纽约，电子邮件：数据库（adni.loni.usc.edu）。因此，ADNI中的调查人员为ADNI和/或提供数据的设计和实施做出了贡献，但没有参与本报告的分析或撰写。可以在：http：//adni.loni.usc.edu/wp-content/uploads/how_to_to_papply/adni_ventledgement_list.list.pdf“
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
标题：红区中的前瞻性记忆 已接受，《实验心理学杂志：应用》，2019 年 2 月 20 日。© 2019，美国心理学会。本文并非记录副本，可能未准确复制文章的最终权威版本。未经作者许可，请勿复制或引用。最终文章将在出版后通过其 DOI（待定）提供。
标题：红区中的前瞻性记忆 已接受，《实验心理学杂志：应用》，2019 年 2 月 20 日。© 2019，美国心理学会。本文并非记录副本，可能未准确复制文章的最终权威版本。未经作者许可，请勿复制或引用。最终文章将在出版后通过其 DOI（待定）提供。
Sławomir SZRAMA CE-2017-412 Adam KADZI Ń SKI 在 F100 涡扇发动机维护系统选定的分析领域中识别危险的过程 多用途 F-16 是波兰空军最先进的飞机。它配备了非常现代、精密和先进的涡扇发动机 F100-PW-229。由于只有一台发动机，因此其可靠性、耐用性效率和性能是确保安全的关键因素。在本文中，作者研究了安装在多用途 F-16 飞机上的 F100 涡扇发动机的维护系统。为了研究目的，创建了 F100 维护系统模型。从该模型中，得出了主要的分析领域，包括“主要发动机对象差异消除”过程。考虑到这样的分析领域，基于危险源识别流程示意图，作者提出了以下步骤：危险源识别工具准备、危险源识别、危险源分组和危险表述。本文的主要目标是提供危险源识别流程结果作为危险规范，其中包括：一组危险源、危险表述以及危险激活的最可能/可预测后果、严重程度和损失/危害。
Sławomir SZRAMA CE-2017-412 Adam KADZI Ń SKI 在选定的 F100 涡扇发动机维护系统分析领域中识别危险的过程 多用途 F-16 是波兰空军最先进的飞机。它配备了非常现代、精密和先进的涡扇发动机 F100-PW-229。由于只有一个发动机，因此其可靠性、耐用性效率和性能是安全的关键因素。在本文中，作者研究了 F100 涡扇发动机的维护系统，该发动机建立在多用途 F-16 飞机上。为了研究目的，创建了 F100 维护系统模型。从该模型中，得出了主要的分析领域，包括“主要发动机对象差异消除”过程。考虑到这样的分析领域，基于危险源识别过程示意图，作者提出了以下步骤：危险源识别工具准备、危险源识别、危险源分组和危险表述。本文的主要目标是提供危险源识别过程结果作为危险规范，其中包括：一组危险源、危险表述以及危险激活的最可能/可预测的后果、严重程度和损失/危害。