XiaoMi-AI文件搜索系统
World File Search Systempredicting
基于磁共振成像的深度学习成像生物标志物，用于预测急性缺血性中风后的功能结果
目的：临床风险评分对于预测中风患者的预后至关重要。深度学习 (DL) 技术的进步为使用磁共振 (MR) 图像开发预测应用程序提供了机会。我们旨在开发一种基于 MR 的 DL 成像生物标志物，用于预测急性缺血性中风 (AIS) 的预后，并评估其对当前风险评分的额外益处。方法：本研究包括 3338 名 AIS 患者。我们使用深度神经网络架构在 MR 图像和放射组学上训练了一个 DL 模型，以预测中风后三个月的不良功能结果。DL 模型生成了一个 DL 分数，作为 DL 成像生物标志物。我们将该生物标志物的预测性能与保留测试集上的五个风险评分进行了比较。此外，我们评估了将影像生物标志物纳入风险评分是否能提高预测性能。结果：DL 影像生物标志物的受试者工作特征曲线下面积 (AUC) 为 0.788。所研究的五个风险评分的 AUC 分别为 0.789、0.793、0.804、0.810 和 0.826。影像生物标志物的预测性能与四个风险评分相当，但不如一个 (p = 0.038)。将影像生物标志物添加到风险评分中，AUC（p 值）分别提高至 0.831 (0.003)、0.825 (0.001)、0.834 (0.003)、0.836 (0.003) 和 0.839 (0.177)。净重新分类改进和综合判别改进指数也显示出显着改善（所有 p < 0.001）。结论：使用 DL 技术创建基于 MR 的影像生物标志物是可行的，并提高了当前风险评分的预测能力。
在预测运输部门中的二氧化碳排放量
摘要。这项研究应用了三种不同的人工智能算法（多层感知器（MLP）（MLP），极端梯度增强（XGBOOST）和支持向量机（SVM））在Türkiye的运输部门中估算CO 2的CO 2排放。所考虑的输入参数是能源消耗（能源），车辆公里（VK），人口（POP），年（Y）和人均国内生产总值（GDP）。强相关性，其能量具有最高的相关性，其次是VK，POP，Y和GDP。四种情况是基于相关效果设计的：场景1（能量/vk/pop/y/gdp），方案2（energy/vk/pop/pop/y），方案3（enervion/vk/pop）和方案4（ensicario 4（engile/vk）。实验使用统计指标（R 2，RMSE，MSE和MAE）对其对CO 2排放的影响进行比较。在所有方案和算法中，R 2值在0.8969到0.9886之间，RMSE值范围为0.0333至0.1007。XGBoost算法在方案4中表现最好。人工智能算法证明成功地估算了CO 2排放。这项研究对政策制定者和利益相关者具有重要意义。它强调了需要审查运输能源投资并实施减少排放的法规，限制，立法和义务的必要性。人工智能算法为制定有效策略提供了潜力。政策制定者可以使用这些见解来优先考虑可持续能源投资。总而言之，这项研究提供了对输入参数与运输部门中CO 2排放之间关系的见解。它强调了积极措施和政策的重要性，以解决该行业的环境影响。它还有助于理解运输部门的AI辅助CO 2排放预测，从而有可能为旨在减少排放和可持续运输开发的未来政策决策提供信息。
气候变化和人畜共患病：预测和管理美国健康风险的概念框架
执行摘要将简要概述旨在了解美国气候变化与人畜共患病之间的关系的概念框架。它将突出解决此问题的重要性，框架的目标，预期的结果以及提议的研究和实施方法。它封装了提议的框架的本质，突出了其意义，目标，方法论和预期结果。气候变化对公共卫生构成了重大威胁，加剧了世界各地人畜共患病的出现和传播。该高管摘要强调了对积极的方法的关键需求，以理解和管理气候变化和人畜共患病之间的复杂相互作用，以保护社区的健康。该框架旨在通过阐明气候变化影响人畜共患疾病动态的机制来解决这一紧迫问题。通过整合多学科研究，预测性建模和公共卫生策略，该框架旨在增强国家预测，预防和减轻与气候变化驱动的人畜共患病的健康风险的能力。该框架的关键目标包括开发预测模型，以识别高风险区域和脆弱的人群，阐明疾病传播的途径以及提出基于证据的干预措施以减轻健康风险。通过促进研究人员，政策制定者和公共卫生从业人员之间的合作，该框架旨在将研究发现转化为可行的策略和政策，以保护公共卫生并在面对气候变化时促进韧性。该框架的预期结果包括对气候变化与人畜共患病之间的复杂关系的改进，监视和预警系统的增强以及明智的决策以指导公共卫生干预措施。最终，该框架旨在使社区和决策者拥有适应不断变化的环境状况所需的知识和工具，并减轻美国人畜共患病的健康影响。
可解释的机器学习，以预测地下水中五氯苯酚的命运和运输
五氯苯酚（PCP）是一种常见的顽固和有毒的地下水污染物，可抵抗降解，生物蓄积，并具有远程环境运输的潜力。采取适当的措施处理生命周期后果的污染物，需要更好地了解其在地下的行为。我们认识到，随着机器学习（ML）技术在环境应用中的到来，在受污染的地下水站点增强决策的巨大潜力。我们使用ML来增强对地下PCP传输特性动力学的理解，并确定影响其运输和命运的关键水力化学和水文地质驱动因素。我们证明了通过数据驱动方法提供的这种互补知识如何在两个高度受污染的瑞典地下水站点进行更有针对性的MONI进行和修复计划，并在此验证了该方法。我们评估了6种可解释的ML方法，3个线性回归器和3个非线性（即基于树的）回归体，以预测地下水中的PCP浓度。建模结果表明，发现简单的线性ML模型在没有任何缺失值的数据集的观察结果中很有用，而基于树的回归器更适合包含缺失值的数据集。考虑到在受污染的现场调查期间收集的数据集中缺少值很常见，这对于受污染的现场计划者和经理来说可能非常重要，最终降低了现场调查和监视成本。此外，我们使用SHAP（Shapley添加说明）方法解释了所提出的模型，以破译不同驱动因素在关键水力地球化学变量的预测和模拟中的重要性。其中，氯苯酚的总和在分析中具有最高的意义。除了模型，四氯苯酚，溶解有机碳和电导率外，还设置了该设置。因此，可以使用ML方法来改善对地下水污染运输动力学的理解，填补使用更复杂的确定性建模方法时仍然存在的知识空白。
用于预测3D基因组组织的机器和深度学习方法
三维（3D）染色质相互作用，例如增强子促销相互作用（EPIP），LOOP，拓扑结合结构域（TADS）和A/B室通过调节基因表达在广泛的细胞过程中起关键作用。最近的染色质构象捕获技术的最新发展使各种3D结构的全基因组分析也能够使用单细胞。但是，由于技术，工具和低数据分辨率的差异，3D结构的当前目录仍然不完整和不可靠。机器学习方法已成为获得缺失的3D相互作用和/或改善分辨率的替代方法。这种方法经常使用基因组注释数据（chip-seq，dnase-seq等。），DNA测序信息（K-MER，转录因子结合位点（TFB）基序）和其他基因组特性，以了解基因组特征与染色质相互作用之间的关联。在本综述中，我们讨论了用于预测三种类型的3D相互作用（EPIP，染色质相互作用，TAD边界）的计算工具，并分析其优点和缺点。我们还指出了3D相互作用的计算预测障碍，并提出了未来的研究方向。
耦合机学习和物理建模，用于预测集水量表的径流
在本文中，我们提出了一种方法，该方法结合了数据驱动和物理建模，以预测流域量表的径流发生和体积。以此目的，我们首先估计了绿色增强模型在有助于记录的风暴中的径流体积。然后，我们使用机器学习算法，即LightGBM（LGBM）和深神经网络（DNN）来预测在风暴开始或在风暴开始之前收集的一组大气变量（相对湿度，温度，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气，大气压和风速）的输出。在马德里举行的小城市集水区的结果DNN的结果在预测径流发生和体积方面表现更好。在具有辅助变量的Mospheric变量处的输入初级（例如，在第一个小时记录的风暴强度数据，或从辅助回归方法中获得的降雨量和强度估计值）很大程度上增加了每个形式的模型。我们在该手稿数据驱动的算法中显示的是由物理标准塑造的，可以通过允许数据驱动算法从物理模型的输出中学习来成功生成。它代表了一种新颖的方法，用于通过机器学习从水文建模中的常见实践转移的物理信息驱动算法。
19 号染色体上 SNP 相互作用的模拟深度学习模型，用于预测阿尔茨海默病风险和疾病进展速度
尽管脱氧核糖核酸 (DNA) 的组成简单，只有 4 个核苷酸变体，但它却存储着物种间和物种内大量变异的独特信息。遗传密码由单核苷酸多态性 (SNP) 的顺序和位置、它们之间的空间关系以及它们与其他 SNP 的上位相互作用决定 [8–10]。全基因组关联研究 (GWAS) 方法通过对痴呆症患者和认知未受损 (CU) 的个体进行组比较来识别与 AD 相关的 SNP [11–15]。然而，GWAS 不考虑上位相互作用。为了更好地解释遗传性并确定 AD 的遗传结构，开发了使用载脂蛋白 E (APOE) Ɛ 4 单倍型（最重要的散发性 AD 风险因素）以及通过 GWAS 方法和多基因风险评分 (PGRS) 确定的许多其他 AD 风险 SNP 的多元回归方法 [16–19]。然而，它们仅解释了疾病遗传性的一部分，表明缺少额外的风险 SNP 和有关相互作用的关键信息。
多变量病变症状映射，以预测从失语症中恢复的轨迹
中风后失语症的人倾向于在某种程度上恢复其语言；但是，可靠地预测长期将发生的恢复的性质和程度仍然充满挑战。这项研究的目的是定量预测语言结果的第一年，从多个语言的多个领域和中风后多个时间点恢复。我们招募了217名失语症患者，急性左半球缺血或出血性中风，并使用快速的Aphinia电池急性电池评估了他们的语音和语言功能，然后在势利点最多获得纵向后续数据，最多三个时间点：1个月（n = 102）（n = 102），3个月（n = 98）（n = 98）（n = 98）和1年（n = 74）（n = 74）。我们使用支持矢量回归来使用急性临床成像数据，人口统计学变量和初始失语症的严重程度作为输入来预测每个时间点的语言结果。我们发现，可以使用这些模型来预测长期（1年）失语症的60％的差异，并具有有关病变位置的详细信息，重要的是有助于这些预测。在1个月和3个月的时间点上的预测基于病变位置的准确性较小，但在模型中包括初始APHA SIA的严重性时，在1年时间点的预测中达到了可比的准确性。语言的特定子域除了总体严重程度外，还具有不同的准确性，但通常相似的准确性。我们的发现证明了使用支持矢量回归模型具有带有一方面的交叉验证的可行性，以对长期恢复失语症进行个性化预测，并提供有价值的神经解剖基线，以在此基准上建立未来模型，并将未来的模型纳入超出神经解剖学和人际预测因素以外的信息。
时空相似性措施基于多任务学习，用于使用MRI数据预测阿尔茨海默氏病进展
摘要 - 识别和利用各种生物标志物跟踪阿尔茨海默氏病（AD）的进展已受到许多最近的关注，并使帮助临床医生迅速做出了迅速的决定。传统的进程模型着重于从MRI/PET图像（例如区域平均皮质厚度和区域量）中提取感兴趣区域（ROI）中的形态生物标志物（ROI）。它们是有效的，但忽略了随着时间的流逝，大脑ROI之间的关系会导致协同的恶化。用于探索这些生物标志物之间的协同恶化关系，在本文中，我们提出了一种新型时空相似性度量的多任务学习方法，可有效预测AD的进展并敏感地捕获生物标志物之间的关键关系。特别是，我们首先定义了一个时间量度，用于估计生物标志物变化随时间变化的幅度和速度，这表明趋势变化（时间）。将这一趋势转换为矢量，然后我们比较了统一的矢量空间（空间）中生物标志物之间的这种变异性。实验结果表明，与直接基于ROI的特征学习相比，我们提出的方法在预测疾病进展方面更有效。我们的方法还使执行纵向稳定性选择以确定生物标志物之间不断变化的关系，这些关系在疾病进展中起着关键作用。我们证明，皮质体积或表面积之间的协同恶化的生物标志物对认知预测具有显着影响。索引术语 - Alzheimer疾病，脑生物标志物相关性，余弦相似性，多任务学习
Mrslpred - 一种预测多标签的混合方法...
过去，已经开发了几种方法来预测信使RNA（mRNA）的单标签亚细胞定位。但是，仅设计有限的方法来预测mRNA的多标签亚细胞定位。此外，现有方法很慢，不能以转录组量表实现。在这项研究中，已经开发了一种快速可靠的方法来预测可以在基因组量表中实现的mRNA的多标签亚细胞定位。基于机器学习的方法是使用mRNA序列组成开发的，其中基于XGBoost的分类器在接收器操作员特征（AUROC）下达到了0.709（0.668 - 0.732）的平均面积。除了无对齐的方法外，我们还使用基准搜索技术开发了基于对齐的方法。最后，已经开发了一种结合XGBoost模型和基于基序的方法的混合技术，其平均AUROC为0.742（0.708 - 0.816）。我们的方法（MRSLPred）在性能和计算效率方面优于现有状态分类。已经开发了一种公开访问的Web服务器和独立工具，以促进研究人员（WebServer：https：//webs.iiitd.edu.in/raghava/raghava/mrslpred/）。