XiaoMi-AI文件搜索系统
World File Search Systemjp
引用：Van Grootven B、Jepma P、Rijpkema C 等人。心脏病患者再入院预测模型：系统评价
摘要 目的 描述临床预测模型的判别和校准，确定有助于更好预测的特征，并研究与计划外再入院相关的预测因素。设计 系统评价和荟萃分析。数据来源 截至 2020 年 8 月 25 日，对 Medline、EMBASE、ICTPR（用于研究方案）和 Web of Science（用于会议论文集）进行了搜索。 选择研究的资格标准 如果研究报告了 (1) 患有急性心脏病的住院成年患者；(2) 具有 c 统计量的预测模型的临床表现；(3) 6 个月内计划外再入院，则符合条件。主要和次要结果测量 使用一致性 (c) 统计和模型校准来测量 6 个月内计划外再入院的模型判别。进行了元回归和亚组分析以调查预定义的异质性来源。汇总了多个独立队列报告的模型的结果测量值和类似定义的风险预测因子。结果 共纳入 60 项研究，描述 81 个模型：43 个模型是新开发的，38 个模型经过外部验证。纳入的人群主要是心力衰竭 (HF) 患者 (n=29)。平均年龄在 56.5 至 84 岁之间。再入院率为 3% 至 43%。几乎所有研究的偏倚风险 (RoB) 都很高。72 个模型的 c 统计量 <0.7，16 个模型的 c 统计量在 0.7 至 0.8 之间，5 个模型的 c 统计量 >0.8。研究人群、数据来源和预测因子数量是影响区分度的重要调节因素。27 个模型报告了校准情况。只有 GRACE（全球急性冠脉事件登记）评分在独立队列中具有足够的区分度（0.78，95% CI 0.63 至 0.86）。汇总了 18 个预测因子。 结论 一些有前景的模型在用于临床实践之前需要更新和验证。缺乏独立验证研究、高 RoB 和测量预测因子的低一致性限制了它们的适用性。PROSPERO 注册号 CRD42020159839。
打印00020.AI化学工程ITS.jpg
C PS 对学习计划概述文件进行了修订。然而，先前评估中所关注的实质问题，即 CPL/ELO 声明的一致性问题仍未完全解决。在学习计划概述文件的第 33 至 24 页中，CPL 陈述分为 3 组：主要学习成就、支持性学习成就和其他学习成就，总共 21 项 CPL。同时在表II.1中。研究生学习成果分为工作能力（1 CPL）、知识掌握（2 CPL）、管理知识（2 CPL）、态度和价值观（3 CPL），共计 8 CPL。因此，PS 需要做出一致的 CPL 声明。 1.3.2 学习计划必须确定绩效指标以及每项学习成果的适当的评估方法。
引用本文：Jakub Olczak、John Pavlopoulos、Jasper Prijs、Frank F A Ijpma、Job N Doornberg、Claes Lundström、Joel Hedlund 和 Max Gordon (2021)：向临床医生和医疗保健利益相关者介绍人工智能、深度学习和机器学习研究：带有指南和临床人工智能研究 (CAIR) 清单提案的入门参考，Acta Orthopaedica，DOI：10.1080/17453674.2021.1918389
机器学习 (ML)、深度学习 (DL) 和人工智能 (AI) 在骨科和其他医学领域变得越来越普遍。人工智能于 1955 年被定义为“制造智能机器的科学与工程”，其中智能是“学习并执行适当技术以解决问题和实现目标的能力，适合不确定、不断变化的世界中的情况”（Manning 2020）。机器学习意味着从数据中学习而不是遵循明确规则的模型和算法。深度学习 (DL) 是一种使用大型多层人工神经网络的 ML 形式。神经网络是受生物网络影响的信息处理计算算法。它们由多层进行通信的“神经元”组成。通过训练神经元如何通信，可以产生解决特定问题的相互作用。DL 是目前最成功和最通用的 ML 方法（Michie 等人1994 年，Manning 2020 年）。计算硬件方面的最新技术突破（如专用图形处理器 [GPU] 和云
数字病理学和人工智能将成为支持临床和学术细胞病理学度过 COVID-19 和未来危机的关键 Browning, L., Colling, R., Rakha, E., Rajpoot, N., Rittscher, J., James, JA, Salto-Tellez, M., Snead, DJ, & Verrill, C. (2020)。数字病理学和人工智能将成为支持临床和学术细胞病理学度过 COVID-19 和未来危机的关键：PathLAKE 联盟观点。临床病理学杂志。提前在线出版。https://doi.org/10.1136/jclinpath-2020-206854
摘要 在找到合适的疫苗或治疗方法之前，控制 COVID-19 疫情的措施很可能会继续成为我们工作生活的一部分。这一流行病对临床服务产生了重大影响，包括癌症治疗途径。在许多情况下，病理学家都在远程工作，以保护自己、同事、家人和临床服务的提供。COVID-19 对研究和临床试验的影响也很大，包括方案的改变、研究的暂停和资源的重新部署。在本文中，我们探讨了 COVID-19 对临床和学术病理学的具体影响，并探讨了数字病理学和人工智能如何在当前和未来的环境下发挥关键作用，以保障临床服务和基于病理学的研究。
立即发布 第 3358 号 客户咨询 媒体咨询 信息技术研发中心 公共关系部 三菱电机株式会社 三菱电机株式会社 www.MitsubishiElectric.com/ssl/contact/company/rd/form.html prd.gnews@nk.MitsubishiElectric.co.jp www.MitsubishiElectric.com/company/rd/ www.MitsubishiElectric.com/news/ 三菱电机开发人机协作 AI
### 关于三菱电机株式会社 三菱电机株式会社 (TOKYO: 6503) 在提供可靠、高质量产品方面拥有近 100 年的经验，是公认的全球领先企业，其产品用于信息处理和通信、空间开发和卫星通信、消费电子产品、工业技术、能源、交通和建筑设备等电气和电子设备的制造、营销和销售。三菱电机秉承其企业宣言“改变更好”和环境宣言“生态改变”的精神，用技术丰富社会。 该公司在截至 2020 年 3 月 31 日的财政年度实现收入 4,4625 亿日元（409 亿美元*）。欲了解更多信息，请访问 www.MitsubishiElectric.com *美国美元金额按 2020 年 3 月 31 日东京外汇市场的近似汇率 109 日元=1 美元从日元折算而来
立即发布 第 3328 号 客户咨询 媒体咨询 先进技术研发中心 公共关系部三菱电机株式会社 三菱电机株式会社 prd.gnews@nk.MitsubishiElectric.co.jp www.MitsubishiElectric.com/ssl/contact/company/rd/form.html www.MitsubishiElectric.com/news/ 三菱电机开发基于人工智能的生物废水处理曝气控制技术
### 关于三菱电机株式会社 三菱电机株式会社 (TOKYO: 6503) 拥有近 100 年提供可靠、高质量产品的经验，是信息处理和通信、空间开发和卫星通信、消费电子产品、工业技术、能源、交通和建筑设备领域电气和电子设备制造、营销和销售领域公认的全球领导者。三菱电机秉承其企业宣言“改变，让世界变得更好”和环境宣言“生态改变”的精神，致力于成为一家全球领先的绿色公司，用技术丰富社会。该公司在截至 2019 年 3 月 31 日的财年中实现收入 4,5199 亿日元（407 亿美元*）。欲了解更多信息，请访问：www.MitsubishiElectric.com *汇率为 111 日元兑 1 美元，这是 2019 年 3 月 31 日东京外汇市场的汇率
评论论文 DOI: 10.34343/ijpest.2020.14.e01002 下一代互联传感器微电子技术挑战 Ol
评论论文 DOI：10.34343/ijpest.2020.14.e01002 下一代互联传感器的微电子技术挑战 Olivier A. Bonnaud 1, 2, * 1 雷恩第一大学微电子与微传感器系，IETR UMR CNRS 6164，雷恩，法国 2 GIP-CNFM，法国格勒诺布尔 MINATEC 方向国家微电子和纳米技术培训协调中心 * 通讯作者：Olivier.bonnaud@univ-rennes1.fr (OA Bonnaud) 收到日期：2019 年 11 月 24 日 修订日期：2020 年 2 月 2 日 接受日期：2020 年 2 月 3 日 在线发布日期：2020 年 2 月 12 日 摘要 全球数字社会的到来正在推动物联网 (IoT) 的发展和互联对象的创造。许多联网物体都包含各种传感器，这些传感器的数量在过去 15 年里呈指数级增长。与此同时，服务器和数据中心也呈指数级增长，能源消耗也同样呈指数级增长。为了避免在 20 年内达到无法克服的全球能源限制，必须提高微电子系统的集成度，并将其能耗降低 100 倍。这涉及到微电子的所有方面，主要是基本设备、设计和电路架构。这只有通过调整人力资源，即教学方法来培养能够应对挑战的技术人员、工程师和医生，才能实现。本文讨论了联网传感器的背景、它们的能耗和联网物体未来技术的新挑战，以及法国微电子教学网络为培养能够应对挑战的未来专家而制定的战略。关键词：传感器、微电子、联网物体、技术和人力挑战。 1. 引言 21 世纪的世界正日益转向数字化社会，这导致了物联网 (IoT) 的发展和互联物体的发展。这种演变与社会数字化相对应，服务的重要性日益增加。话虽如此，工业仍必须生产这些物体。许多互联物体都包含各种传感器，以控制社会的所有活动，如健康、环境、交通、能源或安全，以及工业生产 [1]。后者对应于第四次工业革命，即工业 4.0。[2]。这就是为什么新的互联传感器系列被称为传感器 4.0。[3]。世界上这些物体的数量增长令人印象深刻，因为近 15 年来一直呈指数级增长。传感器和执行器的数量也是如此，因为每个互联系统最多可以有几十个传感器。此外，互联网接入服务器和数据中心已经大幅增长，系统的运行，数据和存储会导致功耗同样呈指数级增长。目前的预测表明，到 2040 年，物联网的功耗预计将与全球所有形式（交通、住房、通信、工业、农业）的当前能耗（2018 年）持平。这首先会对微电子系统和智能传感器的集成产生影响，这些系统必须包含越来越多的功能，包括与通信相关的功能，确保安全性和可靠性背景下的任务概况，从而增加复杂性，但必须消耗更少的能源，这显然是矛盾的。应通过发挥微电子的所有方面，包括电路设计和架构，以及涉及新材料和新电子概念的基本设备概念和制造技术，将这种消耗减少 100 倍。只有通过调整人力资源，即培训能够克服挑战的技术人员、工程师和医生的教学方法，才能实现这一转变。
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
肾小球病理学发现的分类 UP LEARNING 和肾病专家 - AI 集体 ENGROCTIVE 方法 Eiichiro Uchino #A,B Yugami C , Sachiko Minamiguchi f , Hironi Haga f , Motoko Yanagita B,g , Yasushi Ono D,HA) 京都大学医学院医学智能系统系，日本京都 B) 日本京都肾脏病学系，日本京都，京都，京都，京都，京都，京都，京都，日本 D) 京都大学医学院生物医学数据智能系，日本京都 E) 京都大学医院医学信息学和管理规划部，日本京都 F) 京都大学医学院诊断病理学系，日本京都 H) Rise，药物开发数据智能平台小组，日本横滨 # 这些作者贡献者对这项工作做出贡献。 Running title: Glomeruli classification by deep learning Keywords: renal pathology, artificial intelligence, deep learning, collective intelligence Corresponding authors: Yasushi Okuno, Department of Biomedical Data Intelligence, Kyoto University, 53 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 881, FAX: +81-75-751-4881, E-mail: okuno.yasushi.4c@kyoto-u.ac.jp and Motoko Yanagita, Department of Nephrology, Graduate School of Medicine, Kyoto University, 54 Shogoin-Kawahara-cho, Sakyo-ku, Kyoto 606-8507, Japan Phone: +81-75-751-3860, FAX: +81-75-751-3859, E-mail: motoy@kuhp.kyoto-u.ac.jp Abstract Background Automated classification of glomerular pathological findings is potentially beneficial in establishing an efficient and objective diagnosis in renal pathology.虽然先前的研究已经验证了用于对整体硬化和肾小球细胞增殖进行分类的人工智能（AI）模型，但诊断还需要其他一些肾小球病理学发现。这些人工智能模型与临床医生之间的合作是否能提高诊断性能还不得而知。在这里，我们开发了人工智能模型来对肾小球图像进行分类，以获得病理诊断所需的主要发现，并研究这些模型是否可以提高肾病科医生的诊断能力。方法
巴里萨尔-贾洛卡蒂-班达里亚-佩罗杰普尔路 53 公里处渡口处修建桥梁的可行性研究和初步设计（R870
项目地点：拟建桥梁地点位于 Barisal-Jhalokati- Bhandaria-Perojpur 公路（R870）53 公里处 桥梁：桥梁总长度为 1520.0m。主桥和高架桥如下：主桥长 800.0m，由节段预应力后张法箱梁组成。结构形式：2x50+7x100 =800.0m 高架桥长 720.0m，由预应力 I 型钢组成 结构形式：12x30+12x30 =720.0m 引道：每侧约 500.0m 河道整治工程（RTW）：河岸防护工程将分别在河流两岸桥梁中心线上游 100m 和下游 50m 处进行。 项目成本：60.8136 亿孟加拉塔卡 建设期：2014 年至 2017 年（4 年） NPV：10.956 亿孟加拉塔卡 BCR：1.31 EIRR：18.72% 交通量：2047 年机动车交通量为 31,209 辆/天。 间接效益：将促进该地区的经济活动、教育活动和整体效益。