XiaoMi-AI文件搜索系统
World File Search Systembas
使用基于CT的深度学习的新辅助化学疗法对新辅助化学免疫疗法的病理完全反应的非侵入性预测：多中心
新辅助化学免疫性疗法已彻底改变了非小细胞肺癌（NSCLC）的治疗策略，并确定可能对这种先进治疗的候选者具有重要的临床意义。目前的多机构研究旨在开发一种深度学习模型，以预测基于计算机断层扫描（CT）成像的NSCLC中对新辅助免疫疗法的病理完全反应（PCR），并进一步探讨了拟议的深度学习签名的生物学基础。在2019年1月至2023年9月，总共有248名接受新辅助免疫疗法的参与者在Ruijin医院，Ningbo Hwamei医院接受NSCLC的手术，然后在Ruijin医院进行NSCLC手术和Zunyi医科大学的后医院。在新辅助化学免疫性疗法之前的2周内进行了成像数据。鲁伊因医院的患者被分为培训集（n = 104）和6：4比率的验证集（n = 69），而宁波·霍马伊医院（Ningbo Hwamei Hospital）和祖尼医科大学（Zunyi）医科大学的其他参与者则是外部队列（n = 75）。在整个人群中，在29.4％（n = 73）的病例中获得了PCR。我们对PCR预测深度学习签名曲线下的区域（AUC）为0.775（95％的置信间隔[CI]：0.649-0.901）和0.743（95％CI：0.618-0.869）的验证集和外部队列中的0.5％（95％）（95％）（95％）（95％）（95％）。临床模型的0.689）和0.569（95％CI：0.454-0.683）。此外，较高的深度学习评分与微环境中细胞代谢途径和更多抗肿瘤免疫的上调相关。我们开发的深度学习模型能够预测NSCLC患者的新辅助化学免疫性疗法。
基于事件的图像增强在高动态范围方案下
摘要。事件摄像机作为具有较高dynamic范围的生物启发的视觉传感器，能够解决局部过度繁殖或不受欢迎的问题，即在具有高动态范围或波动的光照条件下，常规的基于框架的摄像机会遇到的常规基于框架的摄像机。由于两种相机之间的模态差距，简单的融合是不可行的。此外，由摄像机位置和框架速率偏差引起的幽灵伪影也会影响最终融合图像的质量。为了解决问题，本文提出了一个联合框架，将当地暴露的帧与事件摄像机捕获的事件流相结合，以在高动态范围场景中以偏斜的纹理增强图像。具体来说，使用轻量级的多尺度接收场块用于从事件流到帧的快速模态转换。此外，还提出了一个双分支融合模块来对齐特征并删除幽灵伪像。实验结果表明，所提出的方法有效地减轻了一系列极端照明条件的图像高度明亮和黑暗区域的信息丢失，从而产生了逼真的和自然的图像。
研究文章基于人工智能的非线性控制DC微电网中可再生能源和存储系统的非线性控制
为了最大程度地减少全球变暖和温室效应的影响，可以广泛研究基于可再生能源的微电网。在本文中，已经介绍了DC微电网中的PV，基于风能的可再生能源系统和电池，基于超级电容器的储能系统。使用神经网络和最佳扭矩控制获得了PV和风的最大功率点。非线性超级滑动模式控制器已为功率来源提供。使用Lyapunov稳定性分析验证了框架的全局渐近稳定性。对于负载产生平衡，已经设计了基于模糊逻辑的能量管理系统，并使用MATLAB/SIMULINKR⃝（2019a）模拟了控制器，并比较了不同的控制器。对于实验验证，已进行了控制器硬件 - 循环实验，以验证设计系统的性能。©2021 ISA。由Elsevier Ltd.发布的所有权利保留。
机器学习：简介，基本概念：...
机器学习：简介，基本概念：学习系统的定义，机器学习抽象机器学习的目标和应用是人工智能的一个子场，它使机器无需明确的编程即可学习和模仿智能人类行为或行动。位于统计，人工智能和计算机科学的融合中，是指导机器下一步采取什么行动的艺术，以数据驱动的见解为基础。此过程需要开发算法和模型，这些算法和模型可以通过体验式学习来增强其性能。机器学习围绕从数据中提取知识，促进计算机以学习，预测或制定数据告知的决策。在这种情况下，数据涵盖了各种类型的类型和格式，取决于特定的问题和任务性质。这些包含结构化数据，文本，音频，地理空间数据，图像，时间序列数据，视频，图形，财务数据，人类行为数据等。机器学习算法可以根据其学习方法分为几种类型。监督学习涉及针对分类和回归等任务的标记数据进行培训模型。无监督的学习可与无标记的数据一起用于诸如群集和降低尺寸的任务。强化学习专注于培训代理人通过与环境互动，以奖励或处罚的形式收到反馈来做出决策。深度学习利用具有多层的神经网络来处理复杂的数据，在图像和语音等任务中出色
基于MTPI自动转移学习的深层网络自动训练方法和D
UAV图像采集和深度学习技术已被广泛用于水文监测中，以满足数据量需求不断提高和质量的增加。但是，手动参数培训需要反复试验成本（T＆E），现有的自动培训适应简单的数据集和网络结构，这在非结构化环境中是低实用性的，例如干山谷环境（DTV）。因此，这项研究合并了转移学习（MTPI，最大转移电位指数法）和RL（MTSA强化学习，多汤普森采样算法）在数据集自动启动和网络中自动培训，以降低人类的经验和T＆E。首先，为了最大程度地提高迭代速度并最大程度地减少数据集消耗，使用改进的MTPI方法得出了最佳的迭代条件（MTPI条件），这表明随后的迭代仅需要2.30％的数据集和6.31％的时间成本。然后，在MTPI条件（MTSA-MTPI）中提高了MTSA至自动提高数据集，结果显示准确性（人为误差）提高了16.0％，标准误差降低了20.9％（T＆E成本）。最后，MTPI-MTSA用于四个自动训练的网络（例如FCN，SEG-NET，U-NET和SEG-RES-NET 50），并表明最佳的SEG-RES-NET 50获得了95.2％WPA（准确性）和90.9％的WIOU。本研究为复杂的植被信息收集提供了一种有效的自动培训方法，该方法提供了减少深度学习的手动干预的参考。
基于证据的学校正念指南 -
在实施正念计划的学校内的经验表明，教师与正念的互动是对课堂学生成功的有力预测指标。此外，如果委托人和领导小组的参与和支持，学校的正念课程通常会更加成功。如果老师与学生一起参加该计划，则学生的参与可能会更大。教师还可能发现他们可以花时间进行个人练习，并看到与学生相似的好处。建模是向年轻人教授正念的重要组成部分，因此，教师与正念的互动是在课堂和整个学校社区中建模这种行为的重要组成部分。
基于多部门代理模型中的技术范式、劳动力创造与毁灭
本文提出了一个基于代理的模型 (ABM)，用于描述技术范式和新部门的内生性出现，其中包括不同的劳动力创造和破坏模式以及消费动态。该模型以劳动力增强型 K+S ABM 为基础，研究了从不同形式的技术变革中产生的长期劳动力需求模式。它提供了一个多层次、综合的视角来审视所谓的未来工作情景，而这些情景目前通常局限于公司层面或短期部门分析，并研究了劳动力创造和破坏趋于平衡的条件。这是一种相对公平和稳定的收入分配，由福特式的劳动力市场监管制度保证，保证了该模型永远不会达到完全技术失业的阶段。技术变革与总需求之间的协调模式也由不断增加的产品复杂性来确保，产品复杂性不断增加，从而不断吸收劳动力。
k-nearest-neymen-nighbor学习基于糖果 - 糖 -
如今，EHealth Service已成为一个蓬勃发展的领域，该领域是指基于计算机的医疗保健和信息提供，以在本地，区域和全球改善卫生服务。 通过分析电子健康数据不仅可以照顾患者，而且还通过相应的数据驱动的eHealth Systems提供服务，有效的疾病风险预测模型。 在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。 k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。 为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。 此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。 该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。如今，EHealth Service已成为一个蓬勃发展的领域，该领域是指基于计算机的医疗保健和信息提供，以在本地，区域和全球改善卫生服务。通过分析电子健康数据不仅可以照顾患者，而且还通过相应的数据驱动的eHealth Systems提供服务，有效的疾病风险预测模型。 在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。 k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。 为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。 此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。 该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。有效的疾病风险预测模型。在本文中，我们特别关注预测和分析糖尿病，这是一种日益普遍的慢性疾病，是指在长时间内以高血糖水平为特征的一组代谢性疾病。k-nearest邻居（KNN）是利用相关健康数据建立这种疾病风险预测模型的最流行和最简单的机器学习技术之一。为了实现我们的目标，我们提出了基于患者在各个维度中的习惯属性的基于基于学习的预测模型的最佳K-最近的邻居（OPT-KNN）。此方法确定了误差率较低的最佳邻居数，以在结果模型中提供更好的预测结果。该机器学习eHealth模型的效果通过对医疗医院收集的现实世界糖尿病数据进行实验来检查。