XiaoMi-AI文件搜索系统
World File Search Systemregression
基于逻辑回归，Randomforest，XGBoost和Adaboost的贷款默认预测研究
在金融领域，信用风险是与抵押，信用卡和其他类型贷款有关的常见现象。总是有可能借款人不会全额偿还贷款。与贷款申请有关的风险评估是贷款机构在残酷市场和盈利能力中生存的主要问题。贷款机构每天从消费者那里收到许多贷款申请，但并非所有这些贷款都得到了批准。这些机构使用各种技术来评估申请人的信息，以便做出最佳选择。尽管如此，许多人未能每年支付贷款。贷方必须处理这种巨大损失[1]。人工智能技术可以实现深度挖掘和分析大数据，以应对金融技术带来的财务风险和挑战。与传统专家评级的缺点相比，用于预测银行信用贷款违约的机器学习模型表现更好[2]。人工智能可以利用大数据和机器学习技术来分析借款人的个人信息，信用记录和其他相关数据，从而帮助银行和其他金融机构评估信贷风险并做出更准确的贷款决策。作为一种新兴技术，人工智能无疑将成为金融业发展的巨大推动力。它将降低客户贷款的违约率，并使银行的资本流程过去正常，银行和其他金融机构经常使用人工分析来确定客户的信用。基于以前的数据，人工信用分析是一种效率低下且耗时的方法。它无法处理大量数据，例如机器学习。同时，人工信用分析的准确性远低于机器学习的准确性。机器学习可以发展更多自动化
使用泊松回归对气候条件和地形的影响对疟疾发病率进行建模：在巴努尔的班努（Bannu）的回顾性研究
自2004年以来，在各个东南亚国家，已经观察到疟疾发病率的增加（McCutchan等，2008）。根据世卫组织的说法，世界上有40％的人口有发生疟疾的风险（Patel等，2004）。其他研究表明，自2015年以来，寄生疟疾感染有所增加（Dhiman，2019年）。估计有2.19亿人感染了疟疾，2017年在全球造成435,000人死亡。全球努力和研究造成的发病率和死亡率负担，以改善一个多世纪以来的预防疟疾，诊断和治疗。疟疾的全球死亡率范围为0.3至2.2％，在热带气候的地区，死亡率范围为11％至30％，患有严重的疟疾形式（Talapko等，2019）。根据世界卫生组织，5岁以下的儿童占所有疟疾死亡的近80％。
叙利亚异常临床表现
此病例是尾尾消退综合征的不寻常临床表现，先前未诊断，并且没有随后，这也是一个明显的例子，是由于怀孕女性中未经治疗和未接受的糖尿病而可能影响发育中的胎儿的范围范围很大的例子。由于这种缺陷与糖尿病母亲之间的相关性升高及其在怀孕初期的发育，因此必须在胚胎器官发生期之前甚至在高危患者之前基于牢固的血糖控制，以牢固的血糖控制进行预期方法。此外，适当的方向和植物遗传测试至关重要。治疗是医生和父母的挑战，它需要一种涉及儿科医生，儿科医生，骨科外科医生，骨科医生，内分泌学家，肾脏医生，物理治疗师和泌尿科医生的多学科方法。知道最初的病理无法治愈且不可改变，治疗只有支持性，其独特的目标是实现尽可能正常的生命，并延迟到最可能的严重并发症。
基于多元调整的逻辑回归的二氯苯酚与代谢综合征的关联：一项美国基于全国人口的研究20
调整尿肌氨酸后，2,5-DCP和总二氯苯酚的1个单位增加与MetS患病率高5％有关（表2）。调整了生活方式和饮食因素（模型4）后，总二氯苯酚和MetS患病率之间的关联并不显着，而较高的2,5-DCP浓度仍然具有更高的MetS患病率。在类别分析中，我们还观察到2,5-DCP暴露与MetS患病率之间的显着和正相关。在增加四分位数的多元调整ORS（95％CI）为1.09（0.93-1.28），1.22（1.00-1.49）和1.34（1.04-1.73），在整个模型中为2,5-DCP（趋势4，P = 0.018）。此外，包括P-DCB生物标记物（包括P-DCB生物标志物）作为连续变量的受限立方样本模型，以评估P-DCB暴露和MetS患病率之间的剂量响应关系显示出相似的趋势（图1）。调查
甘油三酸酯与高密度脂蛋白胆固醇比与成人前糖尿病的回归与正常血糖有关：中国一项为期5年的队列研究
抽象目的目前关于甘油三酸酯与高密度脂蛋白胆固醇（TG/HDL-C）的比率之间的关联与糖尿病前期与正常血糖的逆转之间的相关性。这项研究的目的是研究糖尿病患者中TG/HDL-C与正常血糖的逆转之间的关联。方法这项回顾性队列研究包括15,107名来自32个中国地区和11个城市的糖尿病患者，他们从2010年到2016年完成了健康检查。COX比例危害回归模型检查了基线TG/HDL-C，并从糖尿病前期回归为正常血糖。COX比例危害具有立方样条函数的恢复和平滑曲线拟合确定TG/HDL-C与恢复到正常血糖之间的非线性连接。我们还进行了灵敏度和亚组分析。通过将进度表征为对糖尿病前期事件的逆转的竞争风险，创建了具有竞争风险的多元COX比例危害回归模型。在调整协变量后的结果时，发现表明TG/HDL-C与返回正常血糖的同样是负相关性（HR = 0.869，95％CI：0.842–0.897）。此外，观察到TG/HDL-C与逆转概率之间的非线性关系，其拐点为1.675。拐点左侧的HR为0.748（95％CI：0.699，0.801）。通过竞争风险多元COX的回归和一系列灵敏度分析，我们的结果的鲁棒性得到了巩固。结论本研究揭示了TG/HDL-C与中国前糖尿病患者中TG/HDL-C之间的负相关性和非线性相关性。这项研究的发现预计将成为临床医生在糖尿病前患者管理血脂异常方面的宝贵资源。旨在通过降低TG或HDL-C水平升高来降低TG/HDL-C比的干预措施可能会大大提高患有糖尿病患者中正常血糖的可能性。
TAK1的药理抑制可防止并诱导实验器官纤维化的消退
引言系统性硬化症（SSC）的发病机理涉及皮肤和多个内部器官中的血管病，免疫失调和对组织纤维化（1、2）。tgf-β具有有效的促链活性，异常的TGF-β活性与SSC发病机理有关（3）。细胞外基质（ECM）组件的生产过多和组织积累是SSC（4）的标志。TGF-β-诱导的激酶1（TAK1），促丝分裂原激活蛋白激酶（MAP激酶激酶激酶[MAP3K]）的成员，介导了非儿童TGF-β信号传导（5，6）。此外，通过NF-κB，TAK1也被视为TLR依赖性信号中的临界节点（7）。在这方面，已经表明TLR4/TAK1促进了炎症（8），而这种途径的抑制会阻止激动剂的激活并降低下游启动流量介体的表达（9-13）。我们先前证明了内源性TLR配体损伤相关的分子模式（湿），包括纤维蛋白 - 脱发域A（FN-EDA）和Tenascin-C，触发TLR4依赖性抗纤维性反应，与SSC有关（14，15）。鉴于TAK1参与多种类型的纤维化反应，毫不奇怪的是，在小鼠中，Tak1 In肾脏，肺和骨骼肌的靶向遗传消融与免受纤维化的保护和侵袭性有关（16-19）。 重要的是，TAK1的成年小鼠具有特异性缺失，表明皮肤伤口修复延迟（20）。 进一步，缺乏TAK1的胚胎小鼠纤维细胞显示出依赖性的tgf-β依赖性蛋白固定剂（21）。鉴于TAK1参与多种类型的纤维化反应，毫不奇怪的是，在小鼠中，Tak1 In肾脏，肺和骨骼肌的靶向遗传消融与免受纤维化的保护和侵袭性有关（16-19）。重要的是，TAK1的成年小鼠具有特异性缺失，表明皮肤伤口修复延迟（20）。进一步，缺乏TAK1的胚胎小鼠纤维细胞显示出依赖性的tgf-β依赖性蛋白固定剂（21）。在一起，这些观察结果表明，TAK1可能与SSC发病机理有关，而TAK1的药理学靶向可能代表了一种可行的治疗策略，可改善SSC以及其他形式的纤维化。TAK1的抑制剂已开发用于治疗各种疾病，但是由于次优的选择性和生物利用度，它们的临床应用开发已停滞不前（22，23）。最近，使用定向药物化学方法，我们开发了一种高度选择性和有效的TAK1抑制剂（13）。潜在的新型TAK1抑制剂（HS-276）是一个小分子，具有较低的nm afintion（IC 50 = 2.5 nm）
比较机器学习和基于逻辑回归的常规预测模型，用于种族多样化的人群中的妊娠糖尿病； Monash GDM机器学习模型
背景：希望有效的生活方式干预措施可预防GDM并减少相关的不良后果，因此希望早期鉴定出患有妊娠糖尿病（GDM）高风险的孕妇。可以使用风险前字典模型来确定怀孕期间开发GDM的个性化概率。这些模型从传统统计数据扩展到机器学习方法；但是，准确性仍然是最佳的。目标：我们旨在比较多个机器学习算法以开发GDM风险预测模型，然后确定预测GDM的最佳模型。方法：从2016年1月至2021年6月的大型卫生服务网络的日常产前护理的数据进行了监督的机器学习预测分析。预测指标集1来自现有的国际验证的Monash GDM模型：GDM历史，体重指数，种族，年龄，糖尿病的家族史以及过去的不良产科历史。具有不同预测因子的新模型，考虑了统计原理，其中包括更健壮的连续变量和衍生变量。随机选择的80％数据集用于模型开发，验证为20％。绩效指标，包括校准和歧视指标。进行决策曲线分析。结果：在内部验证后，机器学习和逻辑回归模型在曲线下的区域（AUC）的区域在不同算法中的范围从71％到93％，最好是Catboost分类器（CBC）。Based on the default cut-off point of 0.32, the performance of CBC on predictor set 4 was: Accuracy (85%), Precision (90%), Recall (78%), F1-score (84%), Sensitivity (81%), Specificity (90%), positive predictive value (92%), negative predictive value (78%), and Brier Score (0.39).结论：在这项研究中，机器学习方法在传统统计方法上实现了最佳的预测性能，从75％增加到93％。catboost分类器方法通过包括连续变量的模型达到了最佳状态。
使用逻辑回归分类算法对两类运动想象脑电信号进行分类的新框架
机器人技术和人工智能在开发针对运动障碍人士的辅助技术方面发挥着重要作用。脑机接口 (BCI) 是一种通信系统，通过检测和量化不同模态产生的控制信号并将其转换为启动外部设备的自愿命令，使人类能够与周围环境进行通信。为此，对研究人员来说，以非常高的准确度对脑信号进行分类并最大限度地减少错误至关重要。因此，在本研究中，提出了一种新颖的框架来对二元类脑电图 (EEG) 数据进行分类。在 BCI 竞赛 IV 数据集 1 和 BCI 竞赛 III 数据集 4a 上测试了所提出的框架。通过预处理从 EEG 数据中去除伪影，然后提取特征以识别记录的脑信号中的判别信息。信号预处理包括对原始 EEG 数据应用独立成分分析 (ICA)，同时使用公共空间模式 (CSP) 和对数方差来提取有用的特征。对六种不同的分类算法进行了比较，即支持向量机、线性判别分析、k 最近邻、朴素贝叶斯、决策树和逻辑回归，以准确分类 EEG 数据。对于这两个数据集，所提出的框架使用逻辑回归分类器实现了最佳分类精度。对于七个不同的受试者，BCI 竞赛 IV 数据集 1 的平均分类准确率为 90.42%，而对于 BCI 竞赛 III 数据集 4a，对五个受试者的平均准确率为 95.42%。这表明该模型可用于实时 BCI 系统，并为 2 类运动想象 (MI) 信号分类应用提供非凡的结果，并且经过一些修改，该框架将来还可以兼容多类分类。
利用叶片光谱和偏最小二乘回归估计东亚森林树种的六个叶片性状
作者：Nakaji, Tatsuro;小熊，弘之；中村正宏；帕尼达姐妹；希望，路；马罗德，多克拉克；相叶正宏；黑川，弘子；小杉，Y；卡西姆，阿卜杜勒·拉赫曼；日浦津
基于A-坐标 - 基于深度学习模型 -
摘要：随着到2050年估计的老年群体越来越多，图像引导的最低侵入性程序既越来越流行，也越来越流行，并且对于治疗各种疾病而言是必要的。为了降低新程序的学习曲线，有必要开发更好的指导系统和方法来分析程序性能。由于流体镜检查仍然是可视化的主要模式，因此从流体镜图像进行导管跟踪的能力是这项工作的重要组成部分。本文探讨了在3D打印心脏模型中从流体镜图像中对导管进行具有里程碑意义的检测的使用。我们表明，基于两阶段的深横向跨性神经网络模型架构可以通过在图像中确定导管尖端的坐标之前先定位感兴趣的区域，从而提供改进的性能。该模型的平均误差少于图像分辨率的2％，并且可以在4毫秒内执行，从而使其用于实时术中的潜在用途。坐标回归模型具有直接输出值的优点，该值可用于在将来的应用程序中用于定量跟踪，并且与需要制作整个掩码的语义分割模型相比，可以更易于创建地面真相值（更快地〜50×）。因此，我们认为这项工作具有更大的长期潜力，可以用于更广泛的心脏设备，导管和指南。