XiaoMi-AI文件搜索系统
World File Search Systemclassification
使用无需编程的人工智能辅助图像分类对男性不育进行评分
“自 50 年前首次报道以来，Johnsen 评分已广泛应用于泌尿科。然而，睾丸的组织病理学评估并非易事，需要花费大量时间，因为睾丸组织非常复杂，精子发生过程中涉及多个高度专业化的步骤。我们的目标是利用人工智能技术简化这一耗时的诊断步骤。为此，我们选择了 Google 的自动机器学习 (AutoML) Vision，它不需要编程，可以为单个患者数据集创建人工智能模型。借助 AutoML Vision，没有编程技能的临床医生可以使用深度学习构建自己的模型，而无需数据科学家的帮助，”东邦大学医学院泌尿外科副教授 Hideyuki Kobayashi 博士说道（图 1）。
CNN与视觉变压器的集合学习MRI图像上的脑病变分类
抽象的深度学习模型，例如卷积神经网络（CNN）和视觉变压器（VIT），在MRI图像上脑损伤的分类中已经实现了最先进的性能。但是，这种类型的图像的复杂性要求CNN使用具有更多参数的更深层体系结构，以有效地捕获其高维特征和微妙的变化。一方面，VIT提供了一种应对这一挑战的不同方法，但是它们需要更大的数据集和更多的计算成本。在另一侧，整体深度学习技术（例如装袋，堆叠和增强）可以通过组合多个CNN模型来帮助减轻这些限制。这项研究探讨了这些方法，并使用三种方法进行比较，以评估其准确性和效率：基于CNN的转移学习，基于VIT的转移学习和集成深度学习技术，例如基于XGBOOST，ADABOOST方法，袋装，堆叠和提高。在四个具有不同级别的复杂性和脑部病变类型水平的MRI图像数据集上进行的实验表明，与已经存在的方法相比，CNN与集合技术的组合为单个CNN和VITs提供了非常有竞争力的性能，并具有有趣的改进。
病变分类和糖尿病性视网膜病变分级，通过将软效果和汇总到视觉变压器
方法：在这些技术中，深度学习模型已经证明了各种类型的机器视觉任务的有希望的结果。但是，大多数以医学图像分析为导向的深度学习方法建立在卷积操作上，这可能会忽略医学图像中远程像素之间的全球依赖性。因此，可以在医学图像分析中逐渐采用了可以揭示全球像素之间关联的视觉变压器模型。但是，注意机制的二次计算复杂性阻碍了视力变压器在临床实践中的部署。考虑到上面的分析，这项研究引入了具有软磁性和线性模块的综合自我发场机制，以同时保证效率和表现力。是特定的，通过添加一组代理令牌，在注意模块中采用了比原始查询和键代币的一部分和关键令牌。请注意，代理令牌可以完全利用软磁性和线性注意的优势。
深层网络：基于深度学习的自动分类和
摘要：地衣是真菌与光自养藻伴侣之间的共生关联，在印度表现出广泛的多样性，记录了约2300种。在这项研究中，提出了一种新颖的深度学习方法，称为LICHENNET，以从印度西高止山脉收集的地衣分类。最初，收集的图像用明亮的对比度动态直方图均衡（BCDC）滤波器进行分解，以增强图像质量，并将这些图像增强以增加数据集中的图像。使用的区域（ROI）方法用于通过除非重叠段来生成图像贴片。扩张的Linknet与局部和全局采样集成在一起，以提取精美的功能，而鹈鹕优化（PEO）算法选择分类的最佳功能。所提出的LICHENNET的分类准确性为99.26％。XGBoost，SIFT和CNN的总体准确度分别为2.19％，4.29％和14.36％。关键字：地衣物种；深度学习；补丁提取本地和全局功能；鹈鹕优化算法；扩张的Linknet恢复：LosLíquenesson unaasociaciónimsbióntrehongos y algas y algasfotoautótrofasque que展览una gran Gran diversidad en India，con Alredor de 2.300 Espececies Registradas。en esta resportion se propone un nuevométodode aprendizaje profundo conocido conocido como como lichennet para la la la la laclasificacióndeLíquenesrecolectados en los los los ghats en los ghats en los ghats coscidentales de India。se aplicaelMétododeregióndeInterés（ROI）para通用羊皮de imagen dimen dividiendo los segmentos no superpuestos。最初，用明亮的对比度动态历史均衡过滤器（BCDC）收集的图像减少噪声，以提高图像质量并增加数据集中的图像量。 div>扩张的链接网与局部和全局采样集成以提取精细的特征，而鹈鹕优化算法（PEO）选择了分类的最佳功能。 div>拟议的地层达到了99.26％的分类精度。 div>此外，拟议的地层分别为XGBoost，SIFT和CNN的一般精度分别为2.19％，4.29％和14.36％。 div>关键词：地衣种；深度学习；提取补丁；本地和全球特征；鹈鹕优化算法。 div>
沥青路面上的自动破解分类...
摘要：沥青路面裂缝构成了表面材料的普遍和严重的困扰，在选择适当的维修策略之前，必须对劣化的类型进行分类以识别根本原因。有效的检测和分类最大程度地减少伴随成本，并同时增加路面服务寿命。这项研究采用了使用Crack500数据集和GitHub提供的其他数据集可用的辅助数据，采用卷积神经网络（CNN）进行沥青路面裂纹检测。此数据集具有四种类型的裂纹。：水平，垂直，对角线和鳄鱼。还对ImageNet训练的五个预训练的CNN模型也接受了培训和评估以进行转移学习。紧急结果表明，有效网络B3是最可靠的模型，并获得了94％F1_SCORE和94％精度的结果。通过对ImageNet预先训练的权重进行转移学习和对CNN进行微调，通过在同一数据集上进行了培训。结果表明，修改模型以96％的F1_SCORE和96％的精度显示出更好的分类性能。通过将ImageNet重量的有效传输和对有效网络B3架构的顶层进行微调以满足分类要求的有效转移，可以实现这种高分类的精度。最后，混乱矩阵表明，某些类别的裂纹在概括方面的性能要比其他裂纹更好。因此，需要进一步的进一步进步，以微调的预训练模型。这项研究表明，高分类结果是由于使用ImageNet权重的成功转移学习和微调而产生的。
患者血浆 cfRNA 谱的特定改变能够准确对癌症患者和对照组进行分类
。CC-BY-NC 4.0 国际许可 它是永久可用的。 是作者/资助者，已授予 medRxiv 许可以显示预印本（未经同行评审认证）预印本 此版本的版权持有者于 2024 年 12 月 27 日发布。 ；https://doi.org/10.1101/2023.05.24.23290388 doi：medRxiv 预印本
中脑多巴胺神经元的分子和空间转录组分类及其在帕金森氏病的LRRK2G2019S模型中的改变
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。这是该版本的版权持有人，该版本发布于2024年12月22日。 https://doi.org/10.1101/2024.06.06.597807 doi：biorxiv preprint
空间物体分类选定算法的分析
摘要 随着来自世界各地众多设施的天文数据的增加，对更快、更复杂的数据分析方法的需求也随之出现。对天空中大量物体的大量观察所捕获的数据可以非常快地达到很大的体积，这使得科学家无法手动分析。这就需要快速可靠的自动化数据处理方法，这可以在计算机科学研究中找到。利用不同研究领域使用的算法对于处理有关天体的信息至关重要。在这项工作中，我们将计算机科学领域的机器学习方法应用于天文学问题。我们列出了三种不同的机器学习算法及其内部工作原理，并展示了如何将它们应用于天文学问题。我们展示了如何使用这些算法来加速大量数据的处理，以及它们如何帮助科学家对天体进行分类。我们研究了每种算法的表现，并尝试根据不同物体的特征，在分类问题中找到表现最佳的算法。关键词 knn、朴素贝叶斯、决策树
慢性肾脏病 (CKD) 分类为低...
摘要 引言：慢性肾脏病 (CKD) 已日益成为全球卫生系统的重要公共卫生问题和经济负担。此外，社会脆弱性 (SV) 也会加剧慢性肾脏病的高负担。内容：社会脆弱性可以通过评估 Jimenez-Garcia 等人提出的五个维度来探索：家庭构成、收入、不稳定住房、隔离和移民身份。结论：基于这些变量描述了社会脆弱性指数评分 (SOVI)。本文建议将社会脆弱性指数评分整合到 CKD-KDIGO 分类中，以便为慢性肾脏病负担问题提供更全面的方法，目标是促进肾脏健康和改善现有的肾脏预防计划。
通过语音情感识别和视频面部表情分类进行基于人工智能的癌症疼痛评估 Marco Cascella 1、*、Francesco Cutugno 2、Fabio Mariani 2、Vincenzo Norman Vitale 2、Manuel Iuorio 2、Arturo Cuomo 3、Sabrina Bimonte 3、Valeria会计 1 ，Francesco Sabbatino 1 ，Alfonso Maria Ponsiglione 2 ，Jonathan Montomoli 4 ，Valentina Bellini 5 ，Federico Semeraro 6 ，Alessandro Vittori 7 ，Elena Giovanna Bignami 5 ，Ornella Piazza 1
摘要 有效评估癌症疼痛需要对构成疼痛体验的所有组成部分进行细致的分析。实施自动疼痛评估 (APA) 方法和计算分析方法，特别关注情感内容，可以促进对疼痛的彻底描述。所提出的方法转向使用语音记录中的自动情感识别以及我们之前开发的用于检查疼痛面部表情的模型。对于训练和验证，我们采用了 EMOVO 数据集，该数据集模拟了六种情绪状态（大六）。由多层感知器组成的神经网络在 181 个韵律特征上进行了训练以对情绪进行分类。为了进行测试，我们使用了从癌症患者收集的访谈数据集并选择了两个案例研究。使用 Eudico Linguistic Annotator (ELAN) 6.7 版进行语音注释和连续面部表情分析（得出疼痛/无痛分类）。情绪分析模型的准确率达到 84%，所有类别的精确度、召回率和 F1 分数指标都令人鼓舞。初步结果表明，人工智能 (AI) 策略可用于从视频记录中连续估计情绪状态，揭示主要的情绪状态，并提供证实相应疼痛评估的能力。尽管存在局限性，但提出的 AI 框架仍表现出整体和实时疼痛评估的潜力，为肿瘤环境中的个性化疼痛管理策略铺平了道路。临床试验注册：NCT04726228。