XiaoMi-AI文件搜索系统
World File Search SystemdL
使用侵入性冠状动脉造影对未来心肌梗塞的深度预测：可行性研究
抽象背景血管造影参数可以促进冠状动脉病变的风险分层，但在预测未来心肌梗死（MI）方面仍然不足。我们的目标是比较人类，血管造影参数和深度学习（DL）的能力，以预测基线不显着的CAD患者中未来MI的病变。我们回顾性地包括对MI进行侵入性冠状动脉造影（ICA）的患者，其中5年内已经进行了先前的血管造影。比较了人类视觉评估，直径狭窄，区域狭窄，定量流量比（QFR）和DL预测未来罪魁祸首（FCL）的能力。总共分析了746个FCL和非硫磺病变（NCL）的ICA图像。每种模式的预测模型是在训练集中在测试集中验证之前开发的。dl表现出最佳的预测性能，曲线下的面积为0.81的面积为0.81。dl表现出显着的净重新分类改进（NRI），与直径狭窄相比，NRI呈阳性。在所有模型中，DL表现出最高的精度（0.78），其次是QFR（0.70）和区域狭窄（0.68）。基于人类视觉评估和直径狭窄的预测的精度最低（0.58）。现在需要进行较大的研究来确认这一发现。在这项可行性研究中的结论，DL在预测FCL中的表现优于人类的视觉评估，并确定了血管造影参数。
用于微调深度学习模型的计算分析的车辆边缘云框架
摘要：合作，连接和自动化的移动性（CCAM）基础设施在理解和增强在复杂的城市环境中驾驶的自动驾驶汽车（AVS）的环境感知方面起着关键作用。但是，CCAM基础架构的部署需要有效地选择计算处理层和机器学习（ML）和深度学习（DL）模型的部署，以在复杂的Urban环境中实现AV的更大性能。在本文中，我们提出了一个计算框架，并分析了定制训练的DL模型（Yolov8）的有效性（YOLOV8）时，当部署在车辆边缘云层层面体系结构的不同设备和设置中时。我们的主要重点是了解DL模型在分层框架上部署过程中DL模型的准确性和执行时间之间的相互作用和关系。因此，我们通过在计算框架的每一层上通过Yolov8模型的部署过程来研究准确性和时间之间的权衡。我们考虑CCAM基础架构，即每一层的感觉设备，计算和通信。调查结果表明，部署的DL模型的性能指标结果（例如，0.842 map@0.5）保持一致，无论跨框架的任何层中的设备类型如何。但是，我们观察到，当DL模型遭受不同的环境条件时，对象检测任务的推理时间往往会减少。例如，Jetson AGX（非GPU）通过将推理时间减少72％来优于Raspberry Pi（non-GPU），而Jetson AGX Xavier（GPU）优于将Jetson AGX ARMV8（non-GPU）减少90％。在论文中提供了转移时间，预处理时间和设备的总时间Apple M2 Max，Intel Xeon，Tesla T4，Nvidia A100，Tesla V100等。我们的发现指示研究人员和从业人员选择最合适的设备类型和环境，以部署生产所需的DL模型。
长期评估奥林匹克的脂质轮廓变化...
血脂异常是动脉粥样硬化心血管疾病发展的主要因素。尽管进行了高水平的体育活动，但运动员并不能免受血脂异常的影响，但是目前缺乏有关脂质变化的纵向数据。我们试图评估在练习不同运动学科（力量，技能，耐力和混合）的奥林匹克运动员中随着时间的推移而变化的。我们招收了957名从2012年伦敦到北京2022年奥运会的运动员。血脂异常定义为男性的低密度脂蛋白（LDL）≥115mg/dL，高密度脂蛋白（HDL）<40 mg/dL，或者HDL <50 mg/dl的女性。高甘油三酯血症被定义为甘油三酸酯> 150 mg/dL。在随访中，LDL的±40 mg/dl变化为±6 mg/dl，甘油三酸酯的变化为±6 mg/dl，甘油三酸酯的变化为±50 mg/dl。随访<10个月或服用较低脂质剂的运动员被排除在外。随访在717名运动员（74.9％）中完成，平均持续时间为55.6个月。平均年龄为27.2±4.8岁，男性为54.6％（n = 392）。总体而言，在两种血液测试中，19.8％（n = 142）运动员都是血脂症，年龄较大，从事非服从运动，并且主要是男性。在t 0时LDL升高的69.3％（n = 129）中，随访时有改变的值，而在甘油三酸酯升高的患者中，在36.5％（n = 15）的36.5％（n = 15）中发生了。重量和脂肪质量百分比修饰不会影响脂质变异。LDL高胆固醇血症往往会随着时间的流逝而持续存在，尤其是在男性，年龄较大和非服从运动员中。运动员中的LDL高胆固醇血症检测应促使早期预防干预措施降低动脉粥样硬化疾病的未来风险。
牙科杂志
目标：本研究旨在利用深度学习（DL）技术探索和讨论牙齿重建方面的最新进步。进行了对新的DL方法论的综述，并进行了全牙重建。数据/来源：PubMed，Google Scholar和IEEE Xplore数据库从2003年到2023年进行了文章。研究选择：评论包括2018年至2023年发表的9篇文章。所选文章展示了用于牙齿重建的新型DL方法，而仅专注于DL方法的应用或审查的文章被排除在外。审查表明，数据是通过口腔内扫描或实验室扫描牙齿石膏模型获取的。常见数据表示是深度图，点云和体素化点云。使用来自相邻牙齿或整个下巴的数据，重点是单牙。一些文章包括拮抗牙齿数据和咬合凹槽和间隙距离等特征。主要网络体系结构包括生成对抗网络（GAN）和变压器。与常规数字方法相比，基于DL的牙齿重建报告错误率降低了两倍。结论：生成DL模型通过将洞察力提取到模式和结构中，分析牙科数据集以重建缺失的牙齿。通过专门应用，这些模型在形态和功能上声音牙科结构上重建，从现有牙齿中利用信息。所报告的进步有助于基于DL的牙冠重建的可行性。除了具有点云或体素的gan和变压器之外，最近的研究表明，具有基于扩散的架构和创新数据表示（如3D形状完成和推理问题）的有希望的结果。临床意义：用于分析和重建牙科结构的生成网络体系结构表现出明显的熟练程度。基于DL的框架的准确性和效率的提高具有增强临床结果并提高患者满意度的潜力。减少的重建时间和对手动干预的要求减少可能会导致节省成本和改善牙科服务的可及性。
深度学习在脑电图、磁共振成像和植入物中用于检测癫痫发作的应用：叙述
癫痫是一种以反复发作为特征的神经系统疾病，影响着全球数百万人。癫痫患者中医学上难以治愈的癫痫发作不仅对生活质量有害，而且对他们的安全构成重大威胁。通过在发作间期进行早期检测和干预，可以改善癫痫治疗的效果。脑电图是癫痫的主要诊断工具，但准确解释癫痫发作活动具有挑战性且非常耗时。机器学习 (ML) 和深度学习 (DL) 算法使我们能够分析复杂的 EEG 数据，这不仅可以帮助我们诊断，还可以定位致痫区并预测医疗和外科治疗结果。受视觉处理启发的卷积神经网络 (CNN) 等 DL 模型可用于对 EEG 活动进行分类。通过应用预处理技术，可以通过去噪和伪影去除来提高信号质量。DL 还可以纳入磁共振成像 (MRI) 数据的分析中，这有助于定位大脑中的致痫区。正确检测这些区域有助于获得良好的神经外科手术结果。深度学习的最新进展促进了这些系统在神经植入物和可穿戴设备中的应用，从而实现了实时癫痫发作检测。这有可能改变药物难治性癫痫的治疗。本综述探讨了机器学习和深度学习技术在脑电图 (EEG)、MRI 和可穿戴设备中用于癫痫发作检测的应用。本综述简要介绍了人工智能 (AI) 和深度学习的基础知识，强调了这些系统的潜在优势和不可否认的局限性。
ABCI：世界级大规模开放式人工智能基础设施
ABCI 2.0 的总体性能 / 容量 HPC (FP64) 56.6 PFLOPS DL 训练 (FP32/TF32) 226.0 PFLOPS DL 训练 (FP16/BF16) 851.5 PFLOPS 内存容量 573.5 TiB 内存带宽 5.73 PB/s 本地存储 2.2 PB
安全、强大的医疗保健机器学习
摘要 — 近年来，机器学习 (ML)/深度学习 (DL) 技术因其在各种医疗保健应用中的出色性能而得到广泛采用，从根据一维心脏信号预测心脏骤停到使用多维医学图像的计算机辅助诊断 (CADx)。尽管 ML/DL 的表现令人印象深刻，但人们仍然怀疑 ML/DL 在医疗保健环境中的稳健性（传统上认为这非常具有挑战性，因为涉及无数的安全和隐私问题），尤其是考虑到最近的结果表明 ML/DL 容易受到对抗性攻击。在本文中，我们从安全和隐私的角度概述了医疗保健中利用此类技术的各种应用领域，并提出了相关的挑战。此外，我们还提出了确保医疗保健应用程序的安全和隐私保护 ML 的潜在方法。最后，我们深入分析了当前的研究挑战和未来研究的有希望的方向。
远程教育系统工程硕士学位 (DL MEng in SE) 提案 提案人/联系信息 姓名：Peter L. Jackson 领域：系统 校园地址：218 Rhodes Hall 电话：255-9122 传真：255-9129 电子邮件：pj16@cornell.edu
2. 背景和动机 “我想建立一所任何人都能在任何学科中找到指导的机构。” 埃兹拉·康奈尔，1865 年 美国每年颁发约 73,000 个工程学士学位，硕士学位数量约为其一半。然而，硕士学位越来越被视为有效工程专业实践的必要条件。近年来，几个主要的工程专业协会非常直接地支持这一立场。例如，美国土木工程师学会通过了政策声明 465，其中部分内容指出：“ASCE 支持将硕士学位或同等学历作为专业土木工程实践的第一个专业学位的概念。” 2020 年美国国家工程院工程师委员会第二阶段也将学士学位视为“预工程”学位。他们要求工程专业承认和奖励入门级工程师和“通过进一步的正规教育掌握工程学科”的工程师之间的区别。他们特别指出，“学士学位无法达到对工程专业领域的足够深入的了解。”随着越来越多的工程师攻读硕士学位，对硕士课程的需求正在增加，并将在未来几年急剧上升。许多未来的硕士学位学生都是已经有专业工作的工程师，他们希望在不离开工作岗位的情况下攻读专业硕士课程。对于这些成熟的学生来说，兼职学习（通常基于远程学习）是必要的。系统工程是硕士水平学习的宝贵学科，因为许多来自不同本科学科的工程师发现他们深度参与了复杂系统的设计和实施。该领域的硕士水平学习可以支持他们的职业目标，并为他们提供持续提高专业技能的工具。因此，工程硕士（系统工程）学位课程是康奈尔大学开始提供基于远程学习的专业硕士学习的重要场所。拥有国际业务的当地公司对这一举措表现出浓厚的兴趣。例如，洛克希德马丁公司奥韦戈工程领导力发展项目主任 Steven Betza 强烈支持这一举措（见附信）。洛克希德马丁等公司拥有全球视野，工程师在世界各地的许多不同设施工作。要成为这些公司的有效合作伙伴，康奈尔大学还需要对教育机会和产品有全球视野。远程学习是满足他们需求的重要因素。
暑期学校«工业的生成人工智能（Genai）
对明天的挑战的认识与生成性AI有关，主要模型（基础模型）和语言学（LLM）的所有主要主题（LLM），深度学习（DL），机器学习（ML），当然，以及对自然语言（NLP）的处理，DL/ML革命和计算机视觉的处理工业的。