XiaoMi-AI文件搜索系统
World File Search Systemclassifying
Fondazione Don Gnocchi的临床并发症量表用于对严重获得性脑损伤患者的临床并发症进行分类：发育和多中心验证
严重获得性脑损伤（SABI）的患者由于共存的认知运动残疾而表现出很高的临床复杂性，并且对日常生活活动的专业护理和依赖性很高（1，2）。此外，这些患者患临床并发症的风险很高，这可能导致急性护理病房重新院长的发生率很高（3），并使急性后的康复治疗变得困难（1）。Some patients with sABI can evolve from the comatose state to the prolonged Disorders of Consciousness (pDoC), which include patients in Vegetative State/Unresponsive Wakefulness Syndrome (VS/UWS; i.e., awake patients, but no evidence of conscious behaviors) ( 4 ), and patients in Minimally Conscious State (MCS; i.e., patients with minimal but reproducible intentional behaviors) ( 5 ）。对于患有SABI和PDOC的患者，最常见的临床并发症包括癫痫，呼吸道和生殖器尿液感染，Bedsores，Hypertonia，Heterotopic Ossifienation，Deep静脉血栓形成，心脏心脏和内分泌 - 代谢功能障碍（6-9）。这些临床并发症中的某些并发症会对生存率（例如，代谢性疾病），意识恢复（即癫痫）（6，10）和运动障碍的恢复（11）产生负面影响。基于这一证据，美国学院神经病学指南强烈建议识别临床并发症，以适当治疗它们并防止其恶化（12）。
电容趋势概念以及有监督的机器学习，以分类电池和伪电容器材料的电化学行为
近几十年来，已有100,000多种科学文章专门用于开发超级电容器和电池的电极材料。但是，关于确定法拉达反应所涉及的电化学行为的标准，仍然存在激烈的争论，因为各种电子材料及其不同物理化学特性产生的电解学信号通常使问题复杂化。困难在于无法确定这些材料属于哪种电极类型（电池与伪库）。为了过分困难，我们将监督的机器学习应用于电化学形状分析（超过5500个环状电压曲线和2900个镀锌电荷电荷 - 充电 - 充电曲线），并以预测的限制百分比反映了趋势的趋势，从而将其变形为趋势，并定义为制造商。称为“电容趋势”。该预测因子不仅超越了基于人类的分类的局限性，而且还提供了有关电化学行为的统计趋势。对电化学储能社区的重要性以及每周发表一百多篇文章的部分重要性，我们创建了一个在线工具，可以轻松地对其数据进行分类。
在分类结直肠癌或肺癌患者死亡的多伴病因
患者多酸性生存结果的分类对于个性化的癌症治疗很重要。机器学习（ML）算法越来越多地用于为医疗保健的决策提供信息，但是这些模型容易受到数据收集和创建算法的偏见。ML模型以前已显示出表现出种族偏见，但他们对不同年龄和性别群体的患者的公平性尚未研究。因此，当对结直肠癌患者（n = 515）分类时，使用TCGA数据进行分类时，我们比较了5个ML模型（随机森林，多项式逻辑回归，线性支持矢量分类器，线性判别分析和多层感知）的多项性表现。所有五个模型均对这些社会人口统计学群体表现出偏见。然后，我们在肺腺癌（n = 589）上重复了相同的过程，以验证我们的发现。令人惊讶的是，对于最大的社会人口统计学组，大多数模型的总体趋势往往较差。优化模型性能的方法，包括在合并年龄，性别或种族群体上测试模型，以及创建经过培训并用于个人或合并的社会人口统计学群体的模型，显示出减少不同群体模型绩效差异的潜力。值得注意的是，这些方法可用于提高ML公平性，同时避免对表现出偏见的模型进行惩罚，从而牺牲整体性能。
人工智能、机器学习和书目控制。DDC 短号码 – 迈向基于机器的分类
德国国家图书馆 (Deutsche Nationalbibliothek / DNB) 使用口头和分类主题编目进行主题索引。在引入自动化主题编目程序的过程中，还开展了杜威十进制分类号自动分配工作。为此，正在开发一套基于（但不限于）DDC 简编版 15 的简编 DDC 编号，以下称为 DDC 短编号。医学领域 (DDC 610) 首次获得了自动分配简编编号的经验。自 2005 年以来，医学论文已使用一套 140 个 DDC 短编号进行分类。自 2015 年以来，这些短编号已利用人工智能自动分配。目前正在开发其他 DDC 领域的短编号集。计划将自动分配短编号扩展到所有学科，并不断审查该过程及其结果。
人工智能及其在牙科中的现代应用 Akansha Vilas Bansod 博士、Sweta Kale Pisulkar SPDC 博士、Wardha 摘要：人工智能 (AI) 已以多种方式应用于医疗保健领域。它是一门工程和科学领域，与感知智能行为以及创建复制此类行为的人工制品有关。技术一直是每个行业最大的创新，牙科护理也不例外。人工智能可以作为口腔病变诊断和治疗的有用方式，并且可用于筛查和分类正在发生癌前和恶性变化的可疑口腔粘膜。可以极大地探索这一领域，以便于诊断、正确治疗和获得令人满意的结果。 关键词：人工智能、人工神经网络、深度学习、机器学习。1. 简介
人工智能及其在牙科中的现代应用 Akansha Vilas Bansod 博士、Sweta Kale Pisulkar SPDC 博士、Wardha 摘要：人工智能 (AI) 已以多种方式应用于医疗保健领域。它是一门工程和科学领域，与感知智能行为以及创建复制此类行为的人工制品有关。技术一直是每个行业最大的创新，牙科护理也不例外。人工智能可以作为口腔病变诊断和治疗的有用方式，并且可用于筛查和分类正在发生癌前和恶性变化的可疑口腔粘膜。可以极大地探索这一领域，以便于诊断、正确治疗和获得令人满意的结果。 关键词：人工智能、人工神经网络、深度学习、机器学习。1. 简介
引用 (APA)：Tolsgaard, MG、Svendsen, MBS、Thybo, JK、Petersen, OB、Sundberg, KM 和 Christensen, AN (2021)。用于对超声成像进行分类的人工智能是否可以在不同人群和环境中推广？妇产科超声，57 (2)，342-343。https://doi.org/10.1002/uog.23546
在本期刊最近发表的一篇文章中，Drukker 等人 1 回顾了人工智能 (AI) 在妇产科超声成像中的作用。作者描述了 AI 算法在标准平面的自动检测和分类等应用中的应用。一个特别的挑战是，训练这些 AI 算法需要大量的超声图像。训练所得算法的方式存在引入偏差的风险。其次，在算法训练和验证的数据群体之外应用算法时会出现一个潜在问题。目前没有足够的证据表明 AI 算法可以从它们训练的群体推广到其他群体。如果 AI 算法无法在不同环境中推广，那么研究结果的普遍采用就会有问题。我们在此描述了在英国环境中开发的 AI 算法，并使用 2016 年英国人群的数据，与 2009 年至 2017 年期间在丹麦两个胎儿医学中心获得的图像相比如何。
对数据进行分类的深度学习方法：评论
数据挖掘可以视为观点分类的第一种方法。数据挖掘可以视为观点分类的第一种方法。后来，机器学习及其技术被用来分析情感，但是基于机器语言的学习系统发现了解人类的语言很复杂。因此，我们朝着深度学习模型迈进，以分析情感。机器学习的亚组是深度学习；它涉及网络，即RNN（循环神经网络），递归神经网络，卷积神经网络（CNN）和深度信念网络。神经网络在文本，矢量的描述，单词评估，分类句子和表示方面非常有用。情绪分析可以确定为借助在线站点中使用的一系列单词来识别情绪的过程。可以根据单词来分析观点和态度。情感分析主要用于监视社交媒体，以获取有关某些趋势主题的公众舆论的信息。情感分析是通过以某些情感示例进行的，从情感中提取的特征，然后在我们的模型中训练参数，在最后阶段，对模型进行了测试。在本文中，讨论了对深度学习的三种模型的经验调查，即重新卷曲，recursivenn和Convolutionalnn。
一种利用计算机视觉对蚜虫进行计数和分类的方法
蚜虫是一种会直接危害农作物的昆虫，它通过吸食植物汁液和间接传播可引起疾病的微生物来造成损害。谷类作物是许多蚜虫物种的宿主，包括禾谷管蚜（一种具有重要经济价值的蚜虫物种）。记录和分类蚜虫对于评估和预测农作物损害是必要的。因此，可作为决策控制措施的基础。它还可用于评估植物对蚜虫的抗性。传统上，记录过程是手动的，依赖于放大和训练有素的工作人员。手动计数也是一个耗时的过程，容易出错。考虑到这一点，本文介绍了一种使用图像处理、计算机视觉和机器学习方法自动计数和分类禾谷管蚜的方法和软件。本文还对 40 个样本进行了专家手动计数与软件获得的值的比较。结果显示，计数分类 (rs = 0.92579) 和测量 (r = 0.9799) 具有很强的正相关性。总之，该软件被证明是可靠的，并且对蚜虫种群监测研究有用。