XiaoMi-AI文件搜索系统
World File Search Systemshap
实时医疗数据处理的分布式分类方法
摘要开发了基于随机森林方法的复杂分类器。分类器的主要本质是它由几个（当前实现4）二进制分类器模块组成。每个人都经过训练以区分其阶级分离。已经开发了一个真实表，该表允许基于二进制分类器结果，可以将更精确和精细的分类分为大量的类（当前实现中的5个）。已使用在特诺皮尔区域临床心理学医院获得的医疗数据集对开发的分类服务进行了培训和测试，并将患者的抑郁水平估计与动脉脉动振荡振荡震荡图分析数据相匹配。开发的分类器在区分所有5个级别方面表现出很高的精度范围（高达97％）。塑造测试。还在类的混乱和基准中研究了顺序和并行分类模块的性能。1
基于机器学习的预测儿科心脏手术后急性肾脏损伤：模型开发和验证研究
背景：心脏手术相关的急性肾损伤（CSA-AKI）是儿科心脏手术后的主要并发症，这与发病率和死亡率的增加有关。手术前后对CSA-AKI的早期预测可以显着改善围手术期间的预防和治疗策略的实施。但是，关于如何识别CSA-AKI高风险的小儿患者的临床信息有限。目的：该研究旨在开发和验证机器学习模型，以预测儿科人群中CSA-AKI的发展。方法：这项回顾性队列研究招募了1个月至18岁的患者，他们在中国南部南大学的3个医学中心接受了心肺旁路手术。CSA-AKI是根据2012年肾脏疾病的定义：改善了全球结果标准。特征选择分别应用于2个数据集：术前数据集以及术前和术中数据集。测试了多个机器学习算法，包括K-Nearest邻居，天真的贝叶斯，支持向量机，随机森林，极端梯度增强（XGBoost）和神经网络。通过使用接收器操作特征曲线（AUROC）下的区域（AUROC），在交叉验证中确定了最佳性能模型。使用Shapley添加说明（SHAP）方法生成模型解释。结果：其中一个中心的3278名患者用于模型推导，而另外2个中心的585例患者用作外部验证队列。CSA-AKI发生在衍生队列中的564例（17.2％）中，外部验证队列中的51例（8.7％）患者发生。在考虑的机器学习模型中，XGBoost模型在交叉验证中实现了最佳的预测性能。仅使用术前变量的XGBoost模型的AUROC为0.890（95％CI 0.876-0.906），在外部验证队列中为0.857（95％CI 0.800-0.903）。包括术中变量时，AUROC分别增加到0.912（95％CI 0.899-0.924）和0.889（95％CI 0.844-0.920）。Shap方法表明，基线血清肌酐水平，灌注时间，身体长度，手术时间和术中失血是CSA-AKI的前5个预测因子。结论：可解释的XGBOOST模型为CSA-AKI的早期预测提供了实用的工具，CSA-AKI对于正在进行心脏手术的小儿患者的风险分层和围手术期管理非常有价值。
机器学习中的可解释人工智能
本文介绍了可解释人工智能 (XAI)，这是提高 ML 系统可解释性和可信度的必要解决方案。本文通过两个关键领域的案例研究探讨了 XAI 的重要性：制造业和医疗保健。第一个案例涉及预测性维护应用程序，该应用程序使用 XAI 通过梯度提升决策树预测机器故障的可能性，从而为优化生产力提供详细建议。第二个案例研究基于医疗保健部门。用于 AI 模型解释的 LIME 和 SHAP 工具增强了人们对 AI 辅助医疗诊断的糖尿病预测有效性的信任。这两个案例都证明 XAI 有助于更好地理解所展示的机器学习模型的工作原理，并符合道德决策和监管要求。因此，在本文的最后一部分，作者讨论了当前形式的 XAI 的一些缺点以及该领域的潜在进步，包括水平性和更好地融入使用 AI 的系统。这一发现支持使用 XAI 在众多行业中促进更透明、更负责任和更值得信赖的 AI 应用。
机器学习的开发和验证
缩写 AUC = ROC 曲线下面积；BBB = 血脑屏障；CE = 对比增强；DMG = 弥漫性中线胶质瘤；DMG-A = DMG，H3 K27 改变；DMG-W = 无 H3 K27 改变的中线 HGG；GLCM = 灰度共生矩阵；GLDM = 灰度依赖矩阵；GLRLM = 灰度游程矩阵；GLSZM = 灰度大小区域矩阵；GNB = 高斯朴素贝叶斯；HGG = 高级别胶质瘤；ICC = 类间相关系数；LASSO = 最小绝对收缩和选择运算符；LR = 逻辑回归；ML = 机器学习；MLP = 多层感知器；PCNSL = 原发性中枢神经系统淋巴瘤；RF = 随机森林；ROC = 受试者工作特性；ROI = 感兴趣区域；SHAP = Shapley 加性解释；SVM = 支持向量机。提交于 2022 年 6 月 30 日。接受于 2022 年 11 月 15 日。引用时请注明 2022 年 12 月 23 日在线发布；DOI：10.3171/2022.11.JNS221544。 * KL 和 HC 对这项工作的贡献相同。
可解释的人工智能（XAI）用于气候危害...
摘要人工智能（AI）纳入地球科学的整合已在空间建模和气候引起的危害评估的变革时代迎来了。这项研究探讨了可解释的AI（XAI）的应用，以解决传统的“ Black-Box” AI模型的固有局限性，从而强调了高风险领域（例如自然危害管理）中的透明度和可解释性。通过分析水文学危害（包括干旱，洪水和滑坡），这项工作突出了XAI提高预测准确性并促进可行见解的潜力越来越大。该研究综合了XAI方法论的进步，例如注意力模型，Shapley添加说明（SHAP）和广义添加剂模型（GAM）及其在空间危害预测和缓解策略中的应用。此外，该研究确定了数据质量，模型可传递性和实时解释性的挑战，这为将来的研究提出了途径，以增强XAI在决策框架中的效用。这一综合概述有助于在XAI采用XAI方面的弥合差距，在快速的环境变化时代，可以实现强大，透明和道德的方法来进行气候危害评估。
迈向可解释人工智能的统一框架
可解释人工智能 (XAI) 领域已迅速成为一个蓬勃发展且成果丰硕的社区。然而，该领域一个不为人知、反复出现且公认的问题是缺乏对其术语的共识。特别是，每一项新贡献似乎都依赖于其自己的（通常是直观的）术语版本，例如“解释”和“阐释”。这种混乱阻碍了该领域进步的巩固，无法满足科学和监管要求，例如在比较方法或确定其对偏见和公平约束的遵从性时。我们提出了一个理论框架，它不仅为这些术语提供了具体的定义，而且还概述了产生解释和阐释所需的所有步骤。该框架还允许重新语境化现有贡献，以便可以衡量其范围，从而使它们与其他方法具有可比性。我们表明，该框架符合对解释、可解释性和评估指标的要求。我们提供了一个用例，展示了如何使用该框架来比较 LIME、SHAP 和 MDNet，确定它们的优点和缺点。最后，我们从我们的框架的角度讨论了 XAI 的相关趋势以及对未来工作的建议。
肌电假手的人工感知和半自主控制可提高性能并减少工作量
摘要 — 由于肌电人机界面的局限性，对具有多关节腕部/手部的上肢假肢进行灵巧控制仍然是一个挑战。多种因素限制了这些界面的整体性能和可用性，例如需要按顺序而不是同时控制自由度，以及从虚弱或疲劳的肌肉中解读用户意图的不准确性。在本文中，我们开发了一种新型人机界面，该界面赋予肌电假肢 (MYO) 人工感知、用户意图估计和智能控制 (MYO-PACE)，以在准备假肢进行抓取时持续为用户提供自动化支持。我们在实验室和临床测试中将 MYO-PACE 与最先进的肌电控制 (模式识别) 进行了比较。为此，八名健全人和两名截肢者进行了一项标准临床测试，该测试由一系列操纵任务（SHAP 测试的一部分）以及在杂乱场景中更复杂的转移任务序列组成。在所有测试中，受试者不仅使用 MYO-PACE 更快地完成了试验，而且还实现了
基于机器学习的模型，以预测在5年随访中正常血压转化为高血压的转化
这项纵向研究利用了FASA成人队列研究（FACS）的数据。该研究最初包括在伊朗FASA农村地区35-70岁的1018名参与者，并在5年后使用随机抽样进行了3,000名参与者的随访。在机器学习（ML）模型中总共包括160个变量，并使用特征缩放和单热编码进行数据处理。Ten supervised ML algorithms were utilized, namely logistic regression (LR), support vector machine (SVM), random forest (RF), Gaussian naive Bayes (GNB), linear discriminant analysis (LDA), k-nearest neighbors (KNN), gradient boosting machine (GBM), extreme gradient boosting (XGB), cat boost (CAT), and light Gra-streent Boosting Machine（LGBM）。超参数调整是使用超参数的各种组合来识别最佳模型的。合成少数民族过度抽样技术（SMOTE）用于平衡训练数据，并使用Shapley添加说明（SHAP）进行了特征选择。
预测急性缺血性中风早期结果影响因素的机器学习模型：基于登记的研究
背景：及时准确的结果预测在指导急性缺血性卒中的临床决策中起着至关重要的作用。急性期后的早期病情恶化和严重程度是长期结果的决定因素。因此，预测早期结果在急性卒中管理中至关重要。然而，解释预测并将其转化为临床可解释的概念与预测本身一样重要。目的：这项工作专注于机器学习模型分析在预测缺血性卒中早期结果中的应用，并使用模型解释技巧来解释结果。方法：招募 2009 年在长庚医疗系统卒中登记处 (SRICHS) 登记的急性缺血性卒中患者，对两个主要结果进行机器学习预测：出院时的改良 Rankin 量表 (mRS) 和住院期间病情恶化。我们将 4 种机器学习模型，即支持向量机 (SVM)、随机森林 (RF)、轻梯度提升机 (LGBM) 和深度神经网络 (DNN) 与受试者工作特征曲线的曲线下面积 (AUC) 进行了比较。此外，3 种重采样方法，即随机欠采样（RUS）、随机过采样和合成少数过采样技术，处理了不平衡数据。模型基于特征重要性排序和 SHapley 加性解释（SHAP）进行解释。结果：RF 在两种结果中均表现良好（出院 mRS：平均 AUC 0.829，SD 0.018；院内恶化：原始数据上的平均 AUC 0.710，SD 0.023，对于不平衡数据，使用 RUS 重采样数据上的平均 AUC 0.728，SD 0.036）。此外，DNN 在预测未重采样数据的院内恶化方面优于其他模型（平均 AUC 0.732，SD 0.064）。总体而言，重采样对使用不平衡数据预测院内恶化的模型性能的改善有限。从美国国立卫生研究院卒中量表 (NIHSS) 获得的特征、白细胞分类计数和年龄是预测出院 mRS 的关键特征。相反，NIHSS 总分、初始血压、是否患有糖尿病以及血象特征是预测住院期间病情恶化的最重要特征。SHAP 摘要描述了特征值对每个结果预测的影响。结论：机器学习模型在预测早期卒中结果方面是可行的。丰富的特征库可以提高模型性能。初始神经系统水平和年龄决定了出院时的活动独立性。此外，
胎盘猪中的胎盘HIGF1纳米颗粒基因治疗在肝脂质和葡萄糖代谢相关的信号通路中以胎儿性别特异性方式改善胎儿生长限制相关的变化
西尼罗病毒（WNV）是一种由蚊子传播并引起人类，人类，马和鸟类的发烧和脑炎的重新引起的人畜共患病原体。尽管所有WNV谱系都会引起人类疾病，但由于其在欧洲的迅速蔓延，并且在欧洲的迅速蔓延而引起了较大的疾病，因此在欧洲的引起了较大的疾病，因此预防了严重的疾病，因此爆发了爆发。乌克兰与欧洲其他一些地区一样，爆发确实会定期发生。这正成为令人震惊的趋势。在这项研究中，我们专注于生物气候预测因子设想欧洲WNV爆发的能力，特别着重于乌克兰。为此，我们采用了一种机器学习方法来绘制预测和XAI（即可解释的人工智能）的SHAP框架来对最具影响力的WNV驱动程序进行排名和揭示。在生物气候预测器的条款中，对于欧洲量表的SDM构造最重要的是，欧洲季度和温度季节的平均空气温度是欧洲频率和温度季节的平均空气温度。我们的模型表明，在即将到来的健康威胁下，西方地区（不包括喀尔巴阡高地）和乌克兰以南。