XiaoMi-AI文件搜索系统
World File Search Systemexplainable
知识意识的推理，并在MOOC中进行自我监督的强化学习，以进行解释
抽象可解释的建议很重要，但尚未在大规模开放的在线课程（MOOC）中探索。最近，知识图（kg）在可解释的建议中取得了巨大成功。但是，电子学习方案具有一些独特的限制，例如学习者的知识结构和课程前提条件要求，导致现有的基于KG的建议方法在MOOC中工作不佳。为了解决这些问题，我们提出了一个新颖的可解释的建议模型，即通过自我监督的r genning（KRRL）进行k nowledge-knowledge-resountion。特别是为了增强kg中的语义表示和关系，一种多级表示学习方法丰富了语义相互作用的感知信息。之后，一种自我监督的强化学习方法有效地指导了KG上的路径推理，以匹配电子学习场景中的独特约束。我们在两个现实世界的MOOC数据集上评估了KRRL模型。实验结果表明，就建议准确性和解释性而言，KRRL显然优于最先进的基线。
迈向促进人工智能与人类相互理解的下一代可解释人工智能
基于深度学习的人工智能的最新进展要求对人工智能的运行进行更好的解释，以提高人工智能决策的透明度，特别是在自动驾驶汽车或医疗诊断应用等关键系统中，以确保安全、用户信任和用户满意度。然而，目前的可解释人工智能 (XAI) 解决方案专注于使用更多的人工智能来解释人工智能，而不考虑用户的心理过程。在这里，我们使用认知科学理论和方法来开发下一代 XAI 框架，以促进人机相互理解，并使用计算机视觉人工智能模型作为示例，因为它在关键系统中很重要。具体来说，我们建议为 XAI 配备人类社交互动中的重要认知能力：心智理论 (ToM)，即通过将心理状态归因于他人来理解他人行为的能力。我们专注于两种 ToM 能力：（1）推断人类的策略和表现（即机器的 ToM），以及（2）推断人类对 AI 策略的理解和对 AI 的信任（即推断人类的 ToM）。人类认知的计算建模和实验心理学方法在 XAI 开发这两种 ToM 能力中发挥着重要作用，通过将用户的策略与 AI 的策略进行比较并估计用户当前对 AI 策略的理解来提供以用户为中心的解释，类似于现实生活中的老师。增强人机之间的相互理解反过来可以导致更好地采用和信任 AI 系统。因此，该框架强调了认知科学方法对 XAI 的重要性。
患者级可解释的机器学习，以预测SPECT MPI和CCTA成像的主要不良心血管事件
近年来，在摄影成像中使用机器学习（ML）技术的使用激增。作为评估潜在冠状动脉疾病（CAD）患者的成像方式的数量，并且该技术继续改善，在做出临床判断时，可以考虑大量数据。但是，大量变量和越来越多的成像数据可以使准确评估患者的挑战。人工智能（AI）和ML可以通过基于广泛的临床和成像变量的有用提示来帮助这一过程[1]。的确，ML算法已被证明是患者风险分层和诊断评估中的宝贵工具[2，3]。冠状动脉层析成像血管造影（CCTA）是一种用于评估CAD冠状动脉动脉的非侵入性诊断程序。它具有高的负预测值，允许负CCTA结果有效排除显着的CAD [4，5]。另一个重要的非侵入性诊断测试是单光子发射计算机断层扫描（SPECT），它主要评估冠状动脉狭窄和指南管理的功能意义。使用CCTA和SPECT添加了疑问涉嫌CAD的患者对牙菌斑和灌注负担的评估[6-8]。普遍的临床预测方法通常涉及专家选择潜在的相关变量，然后进行回归/分类分析。Automl旨在减轻开发出良好表现ML管道所需的计算成本和人类专业知识[9，10]。ML的最新进展使这种经典的方法限制性（仅使用一种模型类型），效率低下（需要用于超参数的手动调整）并可能有偏见（预测指标前定位）。尽管医疗保健中基于ML的预测模型的进步，但采用这些模型的一个主要障碍是，其中许多被认为是“黑匣子”，这是指缺乏可解释性[11]。呼吁对这些模型的运作方式进行更多研究[12-15]。无法解释预测模型可以侵蚀对它们的信任，尤其是在决策可能会带来严重后果的心血管医学中。在医学中，黑匣子模型将发挥重要作用，在许多情况下，与我们缺乏完全生物学或临床理解的其他领域没有太大的不同[16]。但是，就像了解疾病和疗法背后的机械主义是有益的一样，对ML模型如何得出的结论有了更大的了解[17]也是有帮助的。对可解释的ML的研究激增，以解决这个问题[18]。已经开发了探索AI预测背后推理的各种方法[19，20]。一种有效的方法是建立一个次要，更透明的模型，例如决策树或随机森林，输入
一种可解释的人工智能农业技术监测方法......
在当今快速发展的环境中，计算机和信息数字化技术的普及已成为各个领域的标志。其中，农业成为一个关键行业，需要无缝整合高性能信息技术来满足世界各国经济的迫切需求。本文的目的是通过开发一个智能软件组件来预测玉米整个种植周期中发生疾病的概率，从而证实提高计算机导向农业技术监测系统效率的科学和应用方法。研究对象是土壤和气候数据的智能转换和预测分析的非平稳过程，这些数据是玉米疾病发生和发展的因素。研究的主题是针对专门种植玉米的农业企业的土壤和气候条件测量数据的智能预测分析方法和可解释的人工智能模型。该研究成果的主要科学和实际效果是通过开发基于ANFIS技术的计算机导向模型以及综合结构和算法来识别和预测玉米在整个种植周期内发生疾病的概率，开发用于农业技术监测的物联网技术。
使用可解释的 MRI 机器学习算法 MUQUBIA 对神经退行性痴呆症进行鉴别诊断
基于生物标志物对最常见痴呆症形式的鉴别诊断变得越来越重要。机器学习 (ML) 可能能够应对这一挑战。本研究的目的是开发和解释一种 ML 算法，该算法能够根据社会人口统计学、临床和磁共振成像 (MRI) 变量区分阿尔茨海默氏痴呆、额颞叶痴呆、路易体痴呆和认知正常对照受试者。包括来自 5 个数据库的 506 名受试者。使用 FreeSurfer、LPA 和 TRACULA 处理 MRI 图像以获得脑体积和厚度、白质病变和扩散指标。MRI 指标与临床和人口统计数据结合使用，以基于称为 MUQUBIA（脑白质生物标记物多模态量化）的支持向量机模型进行鉴别诊断。年龄、性别、临床痴呆评分 (CDR) 痴呆分期工具和 19 个成像特征构成了最佳的判别特征集。该预测模型在测试组中的总体曲线下面积为 98%，总体精度 (88%)、召回率 (88%) 和 F1 分数 (88%) 较高，在神经病理学评估患者子集中的标签排名平均精度得分 (0.95) 较高。MUQUBIA 的结果通过 SHapley Additive exPlanations (SHAP) 方法进行解释。MUQUBIA 算法使用具有成本效益的临床和 MRI 信息成功地对各种痴呆症进行了良好的分类，并且通过独立验证，有可能协助医生进行临床诊断。
一种可解释的机器学习模型，用于预测机械血栓切除术后缺血性中风的结果
抽象背景在机械血栓切除术（MT）后，急性缺血性中风（AIS）患者的临床结局差异很高。方法217个在2018年8月至2022年1月之间接受MT的前循环大血管闭塞的连续患者。主要结果是功能独立性定义为3个月时修改的Rankin量表得分为0-2。在派生队列中（2018年8月至2020年12月），对70％的患者进行了7个合奏ML模型，并对剩余的30％进行了测试。该模型的性能得到了时间验证队列的进一步验证（2021年1月至2022年1月）。Shapley添加说明（SHAP）框架用于解释预测模型。结果衍生分析产生的9个项目得分（PFCML-MT）包括年龄，国家健康研究所中风量表评分，侧支状态和术后实验室指数（白蛋白与全球蛋白的比例，估计的肾小球过滤率，血液中性粒细胞计数，C-粒细胞计数，C-核酸蛋白质，蛋白质蛋白蛋白，蛋白蛋白胶蛋白，蛋白蛋白蛋白含量和水平。测试集的曲线下面的面积为0.87，时间验证队列为0.84。塑造分析进一步确定了顶部连续特征的阈值。该模型已翻译成一个在线计算器，该计算器可以免费提供给公众（https://zhelvyao-123-60-sial5s.streamlitapp.com）。使用ML和易于使用的功能的结论，我们开发了一种ML模型，该模型有可能在临床实践中使用，以产生对用MT治疗的AIS患者结果的实时，准确的预测。
通过可解释的深度学习评估脑损伤的人类声音生物标志物
脑损伤或中风导致的脑损伤可能会演变为未确诊患者的言语功能障碍。使用基于 ML 的工具分析人类语音的韵律或发音语音可能有利于早期筛查未被发现的脑损伤。此外，解释模型的决策过程可以支持预测并采取适当措施来改善患者的语音质量。然而，依赖于低级描述符 (LLD) 的传统 ML 方法可能会牺牲详细的时间动态和其他语音特征。解释这些描述符也很有挑战性，需要付出巨大努力来理解特征关系和合适的范围。为了解决这些限制，本研究论文介绍了 xDMFCC，这是一种从单个语音话语中识别解释性判别声学生物标记的方法，可为语音应用中的深度学习模型提供局部和全局解释。为了验证这种方法，我们实施了该方法来解释在梅尔频率倒谱系数 (MFCC) 上训练的卷积神经网络 (CNN)，以进行二元分类任务，以区分患者和对照组的发声。ConvNet 取得了令人满意的结果，f 分数为 75%（75% 的召回率、76% 的精确度），堪比传统机器学习基线。xDMFCCs 的与众不同之处在于它通过保留完整语音信号的 2D 时频表示进行解释。这种表示为区分患者和健康对照组提供了更透明的解释，提高了可解释性。这一进步使得对脑损伤的语音声学特征进行更详细、更令人信服的研究成为可能。此外，这些发现对于开发低成本、快速的未察觉脑损伤诊断方法具有重要意义。
通过可解释的高级心电图估计的心脏年龄差距与心血管危险因素和生存有关
A-ECG和DNN-AI心脏年龄均适用于接受临床心血管磁性复合成像的患者。使用逻辑回归评估了A-ECG或DNN-AI心脏年龄差距与心血管危险因素之间的关联。使用针对临床协变量/合并症调整的COX回归评估了心脏年龄差距与死亡或心力衰竭（HF）住院治疗之间的关联。在患者中[n = 731，103（14.1％）死亡，52（7.1％）HF住院治疗，中值（四分位间范围）随访5.7（4.7-6.7）年]，A-ECG心脏年龄差距与风险因素和外观有关[未经调整的危险率（95％）（95％的置信度）（95％置信区）（95％置信区）（5年） （1.13–1.34）和调整后的HR 1.11（1.01–1.22）]。dnn-ai心脏年龄间隙与调整后的危险因素和结果相关[HR（5年增量）：1.11（1.01-1.21）]，但在未经调整的分析[HR 1.00（0.93-1.08）]中无关，使其不易适用于临床实践。