XiaoMi-AI文件搜索系统
World File Search Systempreta
在巴西临床实践中使用和解释阿尔茨海默氏病生物标志物的指南：科学离开的建议
22联邦大学里约热内卢大学，巴西里约热内卢RJ，里约热内卢。信件：Adalberto studart-neto;电子邮件：adalbertostudartneto@gmail.com。披露：作者报告没有利益冲突。资金：ASN因参加Roche的顾问委员会而获得了Honararia。bjap曾担任演讲者参加由实验室Sandoz，Roche，Knight Therapeutics，Novo Nordisk和Libbs促进的专题讨论会，并参加了Roche的顾问委员会，并获得了参与Novo Novo Nordisk活动的资金支持。OVF是Biogen临床试验（Envision）的主要研究员。 EPFR获得了Proneuro的支持，以准备教育材料，从Novo Nordisk参加会议出勤以及Roche参加教育活动的支持。 PHFB已从Neuroimmun获得酬金，RMC获得了阿尔茨海默氏症协会的赠款（AARGD-21-846545），并由巴西CNPQ资助（研究生产力拨款）。 GBPF已在Lilly和Roche赞助的研讨会上获得演讲者的参与。 MLFB参加由Roche赞助的研究。 Naff因参加Roche的咨询委员会而获得了Honoraria。 lps因参加Biogen，Lilly，Lilly，Novo Nordisk E Roche的咨询委员会而获得了Honoraria，并为Aché，Apsen，Apsen，Biogen，Biogen，Knight，Libbs，Libbs，Novo Nordisk E Roche开发了持续的医学教育材料。 SMDB因参加Biogen，Novo Nordisk，Lilly，Roche和Adium的顾问委员会而获得了Honoraria。OVF是Biogen临床试验（Envision）的主要研究员。EPFR获得了Proneuro的支持，以准备教育材料，从Novo Nordisk参加会议出勤以及Roche参加教育活动的支持。PHFB已从Neuroimmun获得酬金，RMC获得了阿尔茨海默氏症协会的赠款（AARGD-21-846545），并由巴西CNPQ资助（研究生产力拨款）。GBPF已在Lilly和Roche赞助的研讨会上获得演讲者的参与。MLFB参加由Roche赞助的研究。Naff因参加Roche的咨询委员会而获得了Honoraria。lps因参加Biogen，Lilly，Lilly，Novo Nordisk E Roche的咨询委员会而获得了Honoraria，并为Aché，Apsen，Apsen，Biogen，Biogen，Knight，Libbs，Libbs，Novo Nordisk E Roche开发了持续的医学教育材料。SMDB因参加Biogen，Novo Nordisk，Lilly，Roche和Adium的顾问委员会而获得了Honoraria。lcs因参加Biogen和Lilly的咨询委员会而获得了Honoraria，以开发继续医学教育材料，并参加了由雅培，Biogen，knight和Novo Nordisk赞助的演讲者参加的演讲者；他是Passagebio临床试验的首席研究员。PC参加了由Novo Nordisk赞助的临床试验，已参加Aché，Danone，Eurofarma，Knight Therapeutics和Roche的咨询活动，并准备了由Aché，Danone，Grupo Fleury，Novo Novery，Novory Nordisk和Roche和Roche发起的持续医学教育材料和参与。RN和SMDB由巴西CNPQ（研究生产力赠款）资助。AMC，WVB，MNM，HRG，MTB，JS，EE没有宣布的利益冲突。于2024年8月1日收到；于2024年8月16日接受。
Molina 临床政策 3D 影像学研究解释和报告：政策编号 124
本 Molina 临床政策 (MCP) 旨在促进利用管理流程。政策不是治疗的补充或建议；提供商对会员的诊断、治疗和临床建议负全部责任。它表达了 Molina 对某些服务或用品是否具有医疗必要性、实验性、研究性或美容性的决定，目的是确定付款是否合适。特定服务或用品具有医疗必要性的结论并不构成对该服务或用品为特定会员提供保障（例如，将由 Molina 支付）的陈述或保证。会员的福利计划决定保障范围——每个福利计划都定义了哪些服务在保障范围内、哪些服务在保障范围内、哪些服务在保障范围内以及哪些服务受金额上限或其他限制。会员及其提供商需要咨询会员的福利计划，以确定是否有任何排除或其他福利限制适用于此服务或用品。如果本政策与会员的福利计划存在差异，则以福利计划为准。此外，州、联邦政府或医疗保险和医疗补助服务中心针对医疗保险和医疗补助成员的适用法律要求可能会强制要求保险覆盖。医疗保险和医疗补助服务中心的保险覆盖数据库可在医疗保险和医疗补助服务中心网站上找到。现有国家保险覆盖确定 (NCD) 或地方保险覆盖确定 (LCD) 的保险覆盖指令和标准将取代本 MCP 的内容，并为所有医疗保险成员提供指令。所包含的参考资料在政策批准和发布时是准确的。
SSVEP BCI系统的可解释的模糊转移学习
摘要 - 大脑计算机界面（BCIS）的快速演变显着影响了人类计算机相互作用的领域，具有稳态的视觉诱发电势（SSVEP），作为一种尤其是强大的范式。这项研究探讨了高级分类技术利用可解释的模糊转移学习（IFUzzyTL）来增强基于SSVEP系统的适应性和性能。最近的努力通过创新的转移学习方法加强了减少校准要求，从而通过策略性地应用域适应性和很少的动作学习策略来完善跨主题的生成性并最大程度地减少校准。深度学习中的开创性发展还提供了有希望的增强功能，促进了稳健的领域适应性，并显着提高了SSVEP分类的系统响应能力和准确性。但是，这些方法通常需要复杂的调整和广泛的数据，从而限制了立即适用性。ifuzzytl引入了一个自适应框架，该框架将模糊逻辑原理与神经网络体系结构相结合，重点关注有效的知识传递和域自适应。ifuzzytl通过整合模糊的推理系统和注意机制来完善人类干预格式的输入信号处理和分类。这种方法通过有效管理脑电图数据的固有可变性和不确定性来增强模型的精度，并与现实世界的运营需求保持一致。在三个数据集中证明了该模型的功效：12JFPM（1s的12JFPM（89.70％精度为149.58），基准（ITR为85.81％，ITR的精度为85.81％），ITR的准确性为213.99）和Eldbeta（76.50％的IT and and and and ath and and and and and and and and and and and and and and and aft）and 94.63）和94.63）和94.63） SSVEP BCI性能的基准。
一个可解释的机器学习框架用于客户流失预测：电信行业的案例研究
由于移动服务程序之间的竞争日益增加，客户流失的预测一直在引起人们的重大关注。机器学习算法通常用于预测流失；但是，由于客户数据结构的复杂性，仍可以提高其性能。此外，其结果缺乏可解释性导致经理缺乏信任。在这项研究中，提出了一个由三层组成的分步框架，以预测具有高解释性的客户流失。第一层利用数据预处理技术，第二层提出了基于受监督和无监督算法的新型分类模型，第三层使用评估标准来改善可解释性。所提出的模型在预测性和描述性分数中都优于现有模型。本文的新颖性在于提出一种混合机器学习模型，用于客户流失预测并使用提取的指标评估其可解释性。的结果证明了模型的群集数据集版本优于非簇版本，而KNN的召回得分几乎为第一层的召回率为99％，而群集决策树则获得了第二层的96％的召回率。另外，发现参数敏感性和稳定性是有效的可解释性评估指标。
与UMAP嵌入和基于密度的聚类
1美国杜克大学医学院，美国北卡罗来纳州达勒姆大学医学院，美国2杜克大学血液学典型科学系高维细胞多摩学数据对于理解生物控制的各个层次至关重要。单一的'Omic方法提供了重要的见解，但在处理基因，蛋白质，代谢产物以及其他方面的复杂关系方面常常缺乏。在这里，我们提出了一种称为Gaudi的新颖，非线性和无监督的方法（通过UMAP数据集成进行组聚集），该方法利用独立的UMAP嵌入来进行多种数据类型的并发分析。Gaudi比几种最先进的方法更好地发现不同的OMIC数据之间的非线性关系。这种方法不仅通过它们的多摩尼克曲线群簇样本，而且还识别了每个OMICS数据集的潜在因素，从而促进对每个群集有助于的基本特征的解释。因此，Gaudi促进了更直观，可解释的可视化，从而从广泛的实验设计中识别出新颖的见解和潜在的生物标志物。引言多摩变分析整合了各种数据类型，例如基因组学，蛋白质组学和代谢组学。组合多种OMICS模式比单独分析每种数据类型时，有可能发现新颖的见解和生物标志物（1，2）。高通量技术的增长促使OMICS数据呈指数增加，这突显了对新的集成方法的迫切需求。传统的多摩学集成方法主要集中在降低尺寸技术上。例如，在RGCCA（3）中使用了基于规范相关分析（CCA）的方法，而MCIA中使用了共惯性分析（4）。同样，贝叶斯因子分析基于MOFA+（5）等方法，负基质分解对于Intnmf（6），主成分分析（7）和独立组件分析是TICA（8）的基础。尽管这些方法已在各种OMICS数据集和生物环境中应用，但它们的有效性和局限性各不相同，强调了在其应用中需要仔细考虑的需求（9）。这些方法共享的中心限制是它们对线性假设的依赖。虽然在某些情况下合适，但这种假设可能不足以准确捕获复合物，通常是非线性的相互作用（10，11）。此外，它们的计算强度构成了挑战，尤其是对于大型数据集。应对这些挑战，最近的进步已转向非线性整合方法（9，10）。均匀的歧管近似和投影（UMAP）是一种降低技术，可以揭示复杂数据集中的基础结构（12）。通过将流形学习与拓扑数据分析相结合，它可以有效地可视化较低空间中的高维数据。UMAP通过有效地从PCA和T-SNE等其他方法中脱颖而出
岩石物理裂化.pdf
摘要：本研究对尼日利亚尼日尔三角洲珍珠田的五口井的井数据进行了解释。对数分析结合了伽马射线（GR），电阻率（LLD），中子（phin）和密度（Rhod）对数有效定义了碳氢化合物区域的深度和厚度。深度相关性和可渗透区域识别利用了伽玛射线和卡尺原木，表征了整个研究的井中两个储层。井对数分析能够表征岩性描述和岩石物理参数的计算，例如孔隙率，净到净得多，水饱和度和碳氢化合物饱和度。结果显示，储层1和2的平均孔隙率值分别为0.29和0.27。水饱和值分别为0.35和0.33，平均净值为0.88和0.81，储层1和2分别获得了0.65和0.67的烃饱和值。这些结果发现表明潜在的碳氢化合物来源和可满足的碳水化合物系统用于碳氢化合物。建议进一步测试以量化生产能力。关键字：岩石物理解释，井数据数据，珍珠场，碳氢化合物，水库。
使用可解释的机器学习来预测接受ICU的患者的血液感染和抗菌素耐药性：基于EHR数据的早期警报预测因子指导抗菌剂
医院感染和抗菌素耐药性（AMR）在全球范围内作为强大的医疗挑战。以实验室测试为指导，要解决这些问题，各种感染控制方案和个性化治疗策略，旨在检测血流感染（BSI）并评估AMR的潜力。在这项研究中，我们基于多目标符号回归（MOSR）引入了一种机器学习（ML）方法，这是一种进化方法，以一种以多目标的方式创建ML模型的形式，以克服标准单目标方法的限制。此方法利用入院后容易获得的临床数据，目的是预测BSI和AMR的存在。我们通过使用自然不平衡的现实世界数据和数据通过过度采样技术来进行比较，进一步评估了其性能。我们的发现表明，传统的ML模型在所有培训方案中均表现出低于标准的表现。相比之下，专门配置的MOSR也可以通过优化F1分数来最大程度地减少假否定因素，胜过其他ML算法，并始终如一地提供可靠的结果，而不论训练集平衡都以F1分数为单位。22和28比其他任何其他选择高。28。这项研究意味着在增强抗臭虫管理（AMS）策略方面的前进道路。值得注意的是，MOSR方法可以很容易地大规模实施，提供了一种新的ML工具，以找到受到有限数据可用性影响的这些关键医疗保健问题的解决方案。
自动驾驶汽车感知能力的进步：从数据集收集到场景解释
自动驾驶汽车（AV）应为我们的最终地面运输形式。无疑，要实现完全自主驾驶还有很长的路要走。然而，我们对AV的探索的历史也很长，可以追溯到1920年代的第一个繁荣时期[1]。从技术上讲，早期的尝试不是自动驾驶，而是在某种程度上是遥控的，这只是将驾驶员移开车辆。当时，此任务需要集成同样智能的车辆和道路[2]。标志性的开创性实验之一发生在1950年代；通用汽车将电路嵌入公共高速公路的一部分，以展示自我引导系统[3]；尽管自动驾驶系统不在汽车内部，但它实现了AV的基本图像。通用电动机的实验反映了当时的研究浓度，AVS使用道路干扰车辆的行为以实现自动驾驶并消除驾驶员错误[4]。20世纪下半叶，综合电路的兴起将AV研究的范围从建造所谓的道路转变为开发智能车辆，因为计算机和传感器足够小，可以在普通的生产车中使用。计算机视觉和机器学习的出现标志着AV的快速进步，这被视为独立的运输能够感知环境并浏览多种传感器读数。对AV的期望正在解决与普通车辆相关的问题问题，包括污染，拥塞和交通总额[5]。随着AV的自动化和智力的发展，研究人员提出了超过技术观点的关注[6]。在所有道德和道德问题中，AV的安全引起了最大的关注[7]。安全的承诺要求AV技术已提高并与所有功能视角集成在一起，这些视角被归类为工作中的四个障碍[8]：感知，计划和决策，措施，动力和车辆控制以及系统监督。本文的重点是AV的感知能力。尽管AV的历史已经准备好了几十年，但AV感知的视野模棱两可，并且随着新兴技术的发展而发展。在一开始，感知通过分析AV和其他物体的距离来驱散周围环境的地图扮演辅助作用[9]。例如，同时定位和映射（SLAM）算法模糊了感知和映射之间的边界。但是，由于计算机视觉技术的快速发展，AVS的感知定义正在发展。快速而精确的对象检测和分类功能导致了整合感知和计划/决策阶段的建议。工作[10]是一种著名的早期尝试，它采用了整合思想，名为“直接感知”范式。与我所介绍的感知[11]和行为反射感知[12]相比，在本文中提到的直接掌握将更多的计算资源分配给环境感知，并旨在通过很少的经典映射和本地化阶段实现自主驾驶。工作的本质[10]是基于卷积神经网络（CNN）模型，该模型将图像映射到几个关键的预测指标，例如车辆对道路的方向以及与其他与道路相关的物体的距离。显然，由于神经网络在早期的局限性上，该建议是解析整个场景（介导的感知）和将图像直接映射到驾驶动作（行为反射感知）之间的贸易。因此，全局映射和本地化仍然存在于其过程中。尽管如此，直接受访方法激发了研究人员在AV感知领域中利用深度学习技术的潜力的兴趣[13]。
在慢性疾病中关心心灵：一种可解释的...
抽象运动传感是慢性疾病管理中的尖端领域。抑郁症是慢性疾病的普遍并发症，在这些研究中被忽略了。我们利用医学文献使用运动传感器信号来认可抑郁预测。为了保护这一高风险决策，我们开发了一个可解释的深度学习模型：时间原型网络（TEMPPNET）。由于传感器信号的时间特征和抑郁症的渐进性，Temppnet通过捕获抑郁症的时间症状进展来创新地修饰现有的原型学习模型。我们的经验结果表明，temppnet在预测抑郁症方面的表现优于状态模型。我们还通过可视化抑郁的时间进展及其在行走传感器信号中检测到的相应症状来解释我们的预测。我们通过基于时间症状进展的原型网络有助于数据科学方法。患者，医生和护理人员可以在移动设备上使用我们的模型实时进入患者的抑郁症风险。
使用...
心脏病学中的个性化治疗必不可少的是鉴定患者表型，并解释其与后期治疗后结局的关联，例如在经导管主动脉瓣置换术中。通过无监督的聚类方法获得表型后，一种方法是使用机器学习来预测群集成员资格，以解释定义每个群集的患者特征。在以前的工作中，我们由于易于解释性而使用了决策树，这在捕获数据中的复杂关系方面受到限制。我们通过将Shapley添加说明（SHAP）值与高级机器学习算法集成在一起来缓解此问题。为了展示我们的方法，我们使用来自581位TAVR患者的单中心数据确定了六个不同的患者簇，并使用K-均值进行了各种分类器来对群集成员进行分类，并具有最佳的梯度增强性能（F1得分：0.879）。形状值用于解释集群成员资格，揭示了影响结果的关键特征。例如，肌酐水平和环形区域是高风险表型的重要预测指标。这种基于Shap的方法将模型的复杂性与解释性平衡，从而为患者表型提供了强大的，详细的见解。1。简介