XiaoMi-AI文件搜索系统
World File Search Systempredicting
转移学习用于使用RNN-LSTM混合模型的汇款流入预测国内生产总值增长：冈比亚的案例研究
对经济的规模和表现的见解至关重要，而实际GDP的增长率经常用作经济健康的关键指标，强调了国内生产总值（GDP）的重要性。此外，近年来，汇款引起了全球的巨大兴趣，尤其是在冈比亚。这项研究介绍了创新模型，即复发性神经网络和长期记忆（RNN-LSTM）的混合体，以基于冈比亚的汇款流入来预测GDP的增长。该模型集成了来自世界银行发展指标和冈比亚中央银行（1966-2022）的数据。Pearson的相关性用于检测和选择与GDP和汇款最牢固的变量。此外，还采用了一种参数传输学习技术来提高模型的预测精度。通过随机搜索过程对模型的超参数进行了细调，并使用RMSE，MAE，MAPE和R 2度量来评估其有效性。研究结果首先表明，它具有良好的概括能力，并且在基于汇款流入的GDP增长方面具有稳定的适用性。第二，与独立模型相比，所建议的模型超过预测准确性的最高R 2分数为91.285％。第三，预测的结果进一步表明汇款与短期经济增长之间存在牢固和积极的关系。本文通过采用人工智能（AI）技术来解决基于汇款流入的GDP的关键研究差距。
研究人员发现，人工智能在预测脑转移结果方面比人眼更好
Sadeghi-Naini 解释说：“当你看 MRI 时，你会看到肿瘤内部或周围的区域，这些区域的强度和模式不同，因此你会更多地用视觉系统关注这些部分。但人工智能算法却对此视而不见。我们在算法中融入的注意力机制可帮助这些人工智能工具了解这些图像的哪些部分更重要，并在分析和预测时更加重视这些部分。”
蚊子载体，埃及埃及的局部适应，以及预测温度和气候变化对登革热传播的影响的影响
（未通过同行评审认证）是作者/资助者。保留所有权利。未经许可就不允许重复使用。此预印本版的版权持有人于2025年2月17日发布。 https://doi.org/10.1101/2025.02.14.637444 doi：biorxiv Preprint
PassFlow：用于预测深部脑刺激结果的多模式工作流程
目的：深部脑刺激 (DBS) 是一种行之有效的帕金森病 (PD) 治疗方法，通常可增强运动功能。然而，DBS 后可能会出现一些不良副作用，从而降低患者的生活质量。因此，临床团队必须仔细选择要进行 DBS 的患者。在过去十年中，曾有人尝试将术前数据与 DBS 临床结果联系起来，其中大部分都集中在运动症状上。在本文中，我们提出了一种基于机器学习的方法，能够预测大量 PD 的 DBS 临床结果。方法：我们提出了一种多模式管道，称为 PassFlow，可预测 84 个临床术后临床评分。PassFlow 由一个用于压缩临床信息的人工神经网络、一种用于从 T1 成像中提取形态生物标志物的最先进的图像处理方法以及一个用于执行回归的 SVM 组成。我们在 196 名接受 DBS 的 PD 患者身上验证了 PassFlow。结果：PassFlow 的相关系数高达 0.71，能够显著预测 84 个评分中的 63 个，优于比较线性方法。还发现，利用这些术前信息预测的指标数量与可获得这些信息的患者数量相关，表明 PassFlow 方法仍在积极学习中。结论：我们提出了一种基于机器学习的新型流程，用于预测 PD 患者 DBS 术后的各种临床结果。PassFlow 考虑了来自不同数据模式的各种生物标志物，仅从术前数据中就显示出一些评分的高相关系数。这表明，DBS 的许多临床结果都可以预测，而与特定的模拟参数无关，因为 PassFlow 已在没有此类刺激相关信息的情况下得到验证。
DrugOrchestra：通过深度多任务学习联合预测药物反应、目标和副作用
大量积累的药物基因组学、化学基因组学和副作用数据集为药物反应预测、药物靶标识别和药物副作用预测提供了前所未有的机会。现有的计算方法将其范围限制在这三个任务中的一项，不可避免地忽略了它们之间的丰富联系。在这里，我们提出了 DrugOrchestra，这是一个深度多任务学习框架，可以联合预测药物反应、靶标和副作用。DrugOrchestra 利用预先训练的基于分子结构的药物表征来连接这三个任务。DrugOrchestra 不是直接对单个任务进行微调，而是使用深度多任务学习通过同时对药物反应、靶标和副作用预测进行微调来获得基于表型的药物表征。通过将这三个任务结合在一起，DrugOrchestra 能够仅通过了解其分子结构来预测看不见的药物。我们通过整合三个任务中的 8 个数据集，构建了一个包含超过 21,000 种药物的异构药物发现数据集。与在单个任务或单个数据集上训练的方法相比，我们的方法获得了显着的改进。我们进一步揭示了 8 个数据集和 3 个任务之间的可迁移性，为理解药物机制提供了新的见解。关键词：多任务学习、药物靶标预测、药物副作用预测、药物反应预测可用性：https://github.com/jiangdada1221/DrugOrchestra
社论：皮肤血管炎和血管病
目前尚无类风湿关节炎（RA）的治疗方法，治疗目标是最大程度地减少炎症，防止结构性关节损伤并保持身体机能（1，2）。甲氨蝶呤，一种常规的合成疾病改良抗疾病药物（CSDMARD），干扰B维生素叶酸代谢，是RA管理的基石，被广泛接受为RA患者的一线治疗方法（3）。为了优化RA管理，在临床环境中广泛采用了定期监测和调整治疗以实现和维持特定临床目标的治疗方法的治疗策略（3，4）。最佳治疗靶标是达到长期缓解（3），但是在很大一部分患者中，使用甲氨蝶呤单药治疗范围为50％至60％，这是无法实现的（5-8）。早期鉴定患者不太可能实现缓解，可以允许具有临床益处的量身定制治疗策略。
用于预测帕金森氏病的混合模型
帕金森氏病是一种影响个人运动的中枢神经系统疾病。已经观察到帕金森氏病的患者患有手写异常，弯腰姿势，语音或语音疾病等。这项工作旨在实施能够从早期症状中预测PD的通用机器学习模型。在这项研究中，对UCI机器学习存储库和螺旋的语音数据集进行了试验，以研究组合模型的准确性。为了提高预测的准确性，从语音数据集中提取的功能是抖动，Shimmer，NHR，DFA和PPE。此外，从手写数据集提取的功能是压力，握把角，时间戳，径向速度，速度等。在上述数据集中对CNN，LSTM，Resnet等不同的机器学习模型进行了实验。从研究中可以看出，与此工作中使用的其他模型相比，具有适当的超级参数调整的CNN/LSTM模型效果很好。语音数据集上CNN/LSTM的准确性为88％，手工编写数据集为92％。。
森林流：预测Lyman-α森林聚类从线性到非线性尺度
在大范围内，Lyman-α森林提供了对宇宙膨胀历史的见解，而在小尺度上，它对生长历史，暗物质的性质和中微子质量的总和施加了严格的限制。这项工作引入了ForestFlow，这是一个新颖的框架，它弥合了大型和小规模分析之间的差距，这些分析传统上依赖于不同的建模方法。使用条件归一化的流量，ForestFlow预测了两种lyman-α线性偏见（Bδ和Bη）和六个参数，描述了三维频谱功率谱（P 3D）的小规模偏差（p 3D），从线性理论作为体体和核学中培养基的功能。随后将它们与Boltzmann求解器相结合，以对P 3D和从其衍生的任何其他统计数据进行一致的预测，从任意大的尺度到非线性制度。在30个固定和分配的宇宙流体动力学模拟的套件中训练，跨越z = 2至4.5的红移，森林流在描述P 3D和一维闪光功率谱（p 1d）中获得了3和1.5％的精度，从线性量表到k = 5 mpc- = 5 mpc- = 5 mpc-k. = 5 mpc-k. = 4 mpc- = 4 mpc = 4 Mpc = 4 mpc = 4 mpc。由于其条件参数化，森林流对电离历史和两个λCDM模型扩展（大量中微子和曲率）显示出相似的性能，尽管训练集中都不包含这些扩展。该框架将对DESI调查的Lyman-α森林测量结果进行全面宇宙学分析。
双图解式融合网络，用于预测与序列学习的潜在微生物 - 疾病关联
最近的研究表明，微生物对于维持人类健康至关重要。营养不良或这些微生物群落中的失衡与多种人类疾病密切相关。因此，了解微生物对疾病的影响至关重要。Dugel模型利用图形卷积神经网络（GCN）和图形注意网络（GAT）的优势，确保捕获微生物 - 疾病关联网络中的本地和全局关系。长短记忆网络（LSTM）的集成进一步增强了模型理解特征表示中的顺序依赖性的能力。这种全面的方法使Dugel能够在预测潜在的微生物疾病关联方面达到很高的准确性，从而使其成为生物医学研究和发现新的治疗靶标的有价值的工具。通过结合基于图形和基于序列的学习技术，Dugel解决了现有方法的局限性，并为预测微生物 - 疾病关联提供了强大的框架。为了评估Dugel的性能，我们基于两个数据库（HMDAD和tobiome）进行了全面的比较实验和案例研究，以证明Dugel可以有效地预测潜在的微生物疾病关联。