XiaoMi-AI文件搜索系统
World File Search SystemdL
审查深度学习在兽医诊断和动物健康中的应用
深度学习（DL）是人工智能的子场（AI），涉及算法和模型的开发，这些算法和模型模拟了人类思想的解决问题能力。复杂的AI技术近年来在兽医领域引起了极大的关注。本综述提供了专门用于利用DL用于兽医诊断目的的研究的全面概述。我们的系统审查方法遵循PRISMA指南，重点关注DL和兽医医学的交集，并确定了422篇相关研究文章。在出口标题和摘要以进行筛选之后，我们将选择范围缩小到39个主要研究文章，直接将DL应用于动物疾病检测或管理中，不包括非主要研究，评论和无关的AI研究。目前研究的主要发现突出了2013年至2024年在各个诊断区域中DL模型的利用的增加，包括X射线照相术（占研究的33％），细胞学（33％），健康记录分析（8％），MRI（8％），环境数据分析（5％），照片/视频图像/视频图像（5％）和Ulteras（5％），5％（5％）。在过去的十年中，射线照相成像已成为最有影响力的。与专业兽医基准相比，使用DL模型对原发性胸腔病变和心脏疾病的原发性胸腔病变和心脏疾病的分类取得了显着成功。此外，该技术已被证明擅长于识别，计数和分类显微镜幻灯片图像中的细胞类型，从而在不同的兽医诊断方式上证明了其多功能性。深度学习在兽医诊断方面表现出希望，但仍有一些挑战。这些挑战的范围包括对大型和多样化的数据集的需求，可解释性问题的潜力以及在整个模型开发中与专家进行咨询以确保有效性的重要性。对这些考虑和实施DL在兽医医学中的设计和实施的全面理解对于推动该领域的未来研究和发展工作至关重要。此外，讨论了DL对兽医诊断的潜在影响，以探索兽医医学中DL应用进一步完善和扩展的途径，最终导致了增加的护理标准，并改善了动物的健康状况，随着这项技术的不断发展。
深度学习用于生物信号控制：从基础方法到实时方法的见解及建议
摘要 目的。生物信号控制是一种交互方式，它允许用户通过解码来自用户动作或思想的生物信号来与电子设备交互。这种与设备的交互方式可以增强用户的自主感，使瘫痪患者能够与日常设备进行交互，而这些设备对他们来说本来很难使用。它还可以通过使交互感觉更自然、更直观来改善对假肢和外骨骼的控制。然而，在目前的技术水平下，仍有几个问题需要解决，以便可靠地从生物信号中解码用户意图，并提供比其他交互方式更好的用户体验。一种解决方案是利用深度学习 (DL) 方法的进步来提供更可靠的解码，但代价是增加计算复杂性。本范围综述介绍了 DL 的基本概念，并帮助读者将 DL 方法部署到应在现实条件下运行的实时控制系统中。方法。本综述的范围涵盖任何电子设备，但重点是机器人设备，因为这是生物信号控制中最活跃的研究领域。我们回顾了与实施和评估包含 DL 的控制系统有关的文献，以确定该领域的主要差距和问题，并制定了如何缓解这些问题的建议。主要结果。结果强调了使用 DL 方法进行生物信号控制的主要挑战。此外，我们还能够制定指南，指导如何在生物信号控制系统中使用 DL 来设计、实施和评估研究原型。意义。这篇评论应该可以帮助刚接触生物信号控制和 DL 领域的研究人员成功部署完整的生物信号控制系统。各自领域的专家可以使用本文来确定可能的研究途径，以进一步推动使用 DL 方法进行生物信号控制的发展。
研究主题社论：新型统计和机器学习方法在高维临床癌症和（多）
三年前，也就是 2021 年，我们的第一个研究课题“将新型统计和机器学习方法应用于高维临床癌症和（多）组学数据”成为了 Frontiers 读者的一大亮点，浏览量超过 52K，下载量超过 13K。它通过突出统计遗传学和方法学领域的前沿研究，为该领域做出了巨大贡献。在第一卷成功的基础上，我们通过发表四篇文章，带来了另一个关于该研究主题的富有洞察力和发人深省的研究课题。在第二卷中，我们继续关注癌症相关研究中高维临床和（多）组学数据的新型统计和机器学习方法的开发和应用。随着人工智能 (AI) 的发展，尤其是深度学习 (DL)，第二卷中的四篇文章中有三篇研究了使用 DL 进行多组学数据集成的方法，而第四篇文章研究了一种新的测序数据处理方法。随着深度学习的快速发展，将基于深度学习的方法应用于多组学整合方面取得了重大进展。在一篇评论文章中，Wekesa 和 Kimwele 全面讨论了在疾病诊断、预后和治疗中使用深度学习技术进行多组学数据分析的最新趋势。他们特别关注涉及非编码 RNA 的多组学数据集，例如 miRNA 和长链非编码 RNA (lncRNA)，这些 RNA 在癌症发展和研究中起着至关重要的作用。重点介绍了几种用于集成和解释的新型深度学习方法，包括对比学习、DeepLIFT、分解机器深度学习 (FMDNN) 和图神经网络 (GNN)。此外，他们评估了将深度学习方法与计算生物学中的区块链和物联网 (IoT) 等新兴技术相结合的研究。乳腺癌和脑癌检测中的案例研究表明，将尖端技术和深度学习方法相结合可以如何促进癌症
采用 NVIDIA DGX-1 系统的 Weka AI 参考架构
深度学习 (DL) 是人工智能 (AI) 的一项突破，它利用经过训练的数据模型来比人类的表现水平更好、更快地解决问题。尽管最早的 DL 模型是在 20 世纪 60 年代开发的，但 DL 的广泛采用已经经历了几代人，部分原因是它需要大量的基础设施。DL 需要大量的计算资源来执行复杂的模型。此外，大型模型（尤其是涉及图像的模型）对物理存储系统以及计算和存储之间的数据移动提出了很高的要求。本文重点介绍了训练模型与高吞吐量、高带宽和低延迟数据访问之间的关系，这些访问是加速大规模获得新的 AI 洞察所需的。
IMG2nDSM：使用深度学习从单个机载 RGB 图像估计高度
摘要：估计单幅航拍图像中建筑物和植被的高度是一个具有挑战性的问题。提出了一种以任务为中心的深度学习 (DL) 模型，该模型结合了成功的 DL 模型（U-NET 和残差网络）的建筑特征，并学习从单个航拍图像到规范化数字表面模型 (nDSM) 的映射。该模型在具有相应 DSM 和数字地形模型 (DTM) 的航拍图像上进行训练，然后用于推断没有高程信息的图像的 nDSM。使用覆盖英国曼彻斯特大片地区的数据集以及 2018 年 IEEE GRSS 数据融合竞赛 LiDAR 数据集对该模型进行了评估。结果表明，所提出的 DL 架构适合该任务，并且大大超越了其他最先进的 DL 方法。
椰子水和维生素的免疫调节潜力...
已经发现环境温度会影响肉鸡的性能和免疫反应，因此需要确定免疫球蛋白水平通常会评估其免疫力状态，以引起人们的关注。这项研究确定了住房温度和椰子水（CW）对肉鸡血清浸润蛋白的影响。总共使用了600只马歇尔肉鸡鸡，有200只鸟类在不同的住房温度：冷（CHT，18.3-22.1°C），天然（NHT，26.3-26.6°C）和热（HHT，34.9-36.1）。每个外壳温度均分为五个治疗组：普通水（T 1），0.5 g维生素C/L的水（T 2），0.5％CW/L的水（T 3），1％CW/L的水（T 4）和1.5％CW/L的水（T 5），四个复制和10只鸟类和10鸟。确定免疫球蛋白IgG，IgM和IgA。 收集的数据进行阶乘布置，并单向方差分析。 外壳温度显着（P <0.05）影响了IgG和IgM的免疫球蛋白值。 天然住房温度下的鸟类的IgG（1.62±0.07 mg/dl）与冷住房温度（1.39±0.15 mg/dl）和热外壳温度（0.38±0.07 mg/dl）相比。 IgM水平显示出呈负变化的趋势，在热外壳温度下的鸟类具有最高值（1.95±0.07 mg/dl），其次是冷外壳温度（1.49±0.01 mg/dl），天然住房温度（1.06±0.11 mg/dl）。 对鸟类施用椰子水和维生素C后，对三种住房温度中的免疫球蛋白值（IgG，IgM和IgA）产生了显着影响（P <0.05）。确定免疫球蛋白IgG，IgM和IgA。收集的数据进行阶乘布置，并单向方差分析。外壳温度显着（P <0.05）影响了IgG和IgM的免疫球蛋白值。天然住房温度下的鸟类的IgG（1.62±0.07 mg/dl）与冷住房温度（1.39±0.15 mg/dl）和热外壳温度（0.38±0.07 mg/dl）相比。IgM水平显示出呈负变化的趋势，在热外壳温度下的鸟类具有最高值（1.95±0.07 mg/dl），其次是冷外壳温度（1.49±0.01 mg/dl），天然住房温度（1.06±0.11 mg/dl）。对鸟类施用椰子水和维生素C后，对三种住房温度中的免疫球蛋白值（IgG，IgM和IgA）产生了显着影响（P <0.05）。因此，结论是，环境温度的变化可能会导致鸟类免疫反应的变化，并且可以通过调节肉鸡生产中的椰子水和维生素C的调节来确保免疫反应。关键词：免疫球蛋白，椰子水，维生素C，住房温度，肉鸡。引言免疫系统通过借助抗原特异性T辅助细胞产生IgG，IgM和IgA（Megha和Mohanan，2021;
方差分析
深度学习（DL）培训算法利用非确定性来提高模型的准确性和训练效率。因此，多个相同的培训运行（例如，相同的培训数据，算法和网络）产生了具有不同准确性和训练时间的不同模型。除了这些算法因素外，由于并行性，优化和浮点计算，dl libraries（例如Tensorflow和Cudnn）还引入了其他方差（称为实现级别差异）。这项工作是第一个研究DL系统差异以及研究人员和实践中这种差异的认识的工作。我们在三个具有六个流行网络的数据集上进行的实验显示了相同的培训运行中的总体准确性差异。即使排除了弱模型，精度差也为10.8％。此外，仅实施级别的因素会导致相同培训运行的准确性差异高达2.9％，每类准确性差异高达52.4％，训练时间差为145.3％。所有核心库（Tensorflow，CNTK和Theano）和低级库（例如Cudnn）在所有评估版本中均显示实现级别的差异。我们的研究人员和从业人员的调查显示，有83.8％的901名参与者不知道或不确定任何实施级别差异。此外，我们的文献调查显示，最近顶级软件工程（SE），人工智能（AI）和系统会议中，只有19.5±3％的论文使用多个相同的培训运行来量化其DL AP-ap-paraches的方差。本文提高了对DL差异的认识，并指导SE研究人员执行诸如创建确定DL实现之类的挑战任务，以促进调试和提高DL软件和结果的可重复性。
稀疏量：通过非IID数据集对定向和时间变化的图表进行交流和节能分散的分布式学习
当前的深度学习（DL）系统依赖于集中的计算范式，该计算范式限制了可用培训数据的数量，增加了系统延迟并增加了隐私和安全性。通过分散的DL模型对DL模型对点对点连接的边缘设备进行的分散和分布式培训启用的设备学习，不仅可以减轻上述限制，而且还可以启用需要DL模型的下一代应用程序，以连续进行交互并从他们的环境中学习。然而，这需要开发新型培训算法，这些新型培训算法会通过随着时间变化和定向的对等图结构进行训练DL模型，同时最大程度地减少设备之间的连接数量，并且对非IID数据分布也有弹性。在这项工作中，我们提出了稀疏的畅通，这是一种交流效率分散的分布式培训算法，该培训算法支持对点对点，指导和时间变化的图形拓扑。所提出的算法可以减少466倍的交流，而在训练各种DL模型（例如Resnet-20和VGG11）上的CIFAR-10数据集时，性能仅降解了1％。此外，我们证明了如何导致非IID数据集的频率降解的显着性能降解，并提出了偏斜补偿的稀疏推动算法，从而恢复了这种性能下降，同时保持相似的通信压缩水平。
预测深度学习时代肝毒性的计算模型
药物诱导的肝损伤（DILI）是由药物引起的严重不良反应，可能导致急性肝衰竭甚至死亡。许多努力集中在减轻与潜在DILI相关的风险上。在其中，定量结构活性关系（QSAR）被证明是早期肝毒性筛查的有价值工具。它的优点不包括对物质物质和快速交付结果的要求。深度学习（DL）最近取得了快速的进步，并已用于开发QSAR模型。本综述讨论了DL在预测DILI中的使用，重点是采用广泛的化学结构数据集及其相应的DILI结果的QSAR模型的开发。我们对各种DL方法进行了全面的评估，与传统机器学习（ML）方法相比，并探讨了DL技术在其可解释性，可伸缩性和概括性方面的优势和局限性。总体而言，我们的综述强调了DL方法的潜力增强DILI预测，并为未来的途径提供了开发预测模型以减轻人类稀有风险的见解。
视网膜图像的深度学习能否增强已知的糖尿病心血管疾病预测风险因素？苏格兰国家筛查计划的一项前瞻性队列研究
目的：本研究旨在评估对糖尿病视网膜病变筛查计划中的视网膜照片进行深度学习 (DL) 是否能改善对心血管疾病 (CVD) 发病率的预测。方法：训练 DL 模型以联合预测未来 CVD 风险和 CVD 风险因素，并用于输出 DL 分数。包括有和没有 DL 分数的临床风险因素的泊松回归模型分别适用于 1 型糖尿病 (T1DM) 和 2 型糖尿病 (T2DM) 中 2,072 例和 38,730 例 CVD 事件的研究队列。结果：DL 评分与 CVD 发病率独立相关，在 T1DM 和 T2DM 队列中，调整后的标准化发病率比分别为 1.14（P = 3 × 10 − 04 95 % CI（1.06, 1.23））和 1.16（P = 4 × 10 − 33 95 % CI（1.13, 1.18））。有和没有 DL 评分的模型之间的预测性能差异具有统计学意义（检验对数似然的差异为 6.7 和 51.1 个自然对数单位），但 T1DM 和 T2DM 的 C 统计量从 0.820 到 0.822 和从 0.709 到 0.711 的增量很小。结论：这些结果表明，对于糖尿病患者，视网膜照片包含有关未来 CVD 风险的信息。然而，为了使其对 CVD 的临床预测做出显著贡献，需要评估进一步的方法，包括利用序列图像。