XiaoMi-AI文件搜索系统
World File Search Systemtom
标题：临床环境中的人工智能：迈向可靠结果预测的实际实施 Simon Tilma Vistisen 1,2 Tom Joseph Pollard 3 Steve Harris 4 Simon Meyer Lauritsen 5,1
用于预测不良临床事件的高级统计模型已在文献中无处不在，我们经常听说人工智能或机器学习 (ML) 等概念将颠覆医学。鉴于外科手术和重症监护入院期间产生的数据量，这些临床领域是 ML 应用的典型。然而，面对巨大的关注和巨大的研究成果，迄今为止经过临床验证和实施的算法却很少。1 在麻醉和重症监护领域，我们所熟悉的令人信服的脓毒症预测研究很少，但它们要么规模较小 2 ，要么不是设计为随机对照试验。3 在本文中，我们广泛讨论了 ML 在现实世界中实施困难的一些原因。其中一些原因与方法论有关，另一些原因与临床背景有关。提出问题很少有机器学习研究人员非常熟悉临床环境，因此许多机器学习研究的开展方式不易转化为临床应用也就不足为奇了。恰当地构建机器学习研究（即正确定义临床事件和预测任务）需要跨学科知识和详细的方法讨论。例如，对于预测任务，构建框架包括确定临床结果、指定预测的准确时间、选择观察窗口等。这些细节有时考虑不周，有时描述不清。构建框架是正在开发的机器学习模型的支柱，评估是在构建框架的背景下进行的。4 因此，如果没有明确且具有临床相关性的构建框架，看似高性能的模型可能仍然无法在临床上使用。5 许多机器学习研究试图解决临床相关问题，但将问题过度简化到最终失去临床相关性的地步。机器学习研究中无处不在的病例对照构建框架/设计就是一个很好的例子，研究人员试图解决与临床现实不符的临床相关问题。经典病例对照研究的证据水平很弱，而且这种设计的缺陷（如选择偏差）不会因为研究应用了机器学习技术而消失。在创建能够做出预测并随时间更新的模型方面，在“验证研究”中应用病例对照设计往往会产生应避免的时间偏差。6 当发布以这种方式开发的黑箱预测算法时，结果往往是阳性预测值急剧下降，6 并且用户不可能知道哪些事件警报值得信任。观察数据的性质许多研究都是基于对大量回顾性收集的数据集的分析，缺失数据是一种常见且自然的现象。由于数据很少随机缺失，因此缺失数据的处理通常是一个主要问题。我们可以想到一个简单的生理示例，即休克/低血压时 SpO 2 无法测量。临床示例是急诊科 (ED) 采集动脉血气的患者与未采集动脉血气的患者之间的差异。临床医生决定获取该血气。观察结果的存在或缺失告诉我们一些重要的事情。更进一步说：血气是在何时何地采集的？如果在心脏手术恢复室术后最初几个小时采集，那么很可能获得该实验室测试结果以告知 FiO 2 调整，这表明与 ED 患者不同的“实验室存在风险”。一项大型回顾性研究发现，仅仅“存在实验室测试订单，无论有关测试结果的任何其他信息如何，都与
评估适合突尼斯学龄儿童的思维理论电池理论的构造有效性
背景：心理理论（汤姆）是指理解他人心态，欲望，情感，信念和意图的能力，以预测其心理表征的内容。已经研究了汤姆内的两个主要维度。首先是推断精神状态的类型，可以是认知或情感的。第二个过程包括根据其复杂程度（一阶和二阶错误信念和高级TOM）所涉及的过程类型。汤姆的收购是基本的，这是日常人类社会互动发展的关键组成部分。汤姆·迪特（Tom Defit）已通过评估社会认知不同方面的各种工具在各种神经发育障碍中报道了。尽管如此，突尼斯的从业人员和研究人员缺乏语言和文化上适当的心理测量工具，用于学龄儿童的TOM评估。
大语模型中的心理理论
摘要及其最近的发展，大型语言模型（LLM）表现出一定程度的心理理论（TOM），这是一种与我们的意识思维有关的复杂认知能力，使我们能够推断他人的信念和观点。虽然人类的TOM能力被认为是源自广泛相互联系的脑网络的神经活性，包括背侧内侧前额叶皮层（DMPFC）神经元的神经活性，但LLM与TOM相似的LLM能力的确切过程仍然很广。在这项研究中，我们从DMPFC神经元中依靠人类TOM的DMPFC神经元中汲取了灵感，并采用了类似的方法来检查LLMS是否表现出可比的特征。令人惊讶的是，我们的分析揭示了两者之间的显着相似之处，因为LLM中隐藏的嵌入（人造神经元）开始对真实或虚假的belief试验表现出很大的响应能力，这表明它们代表他人的观点的能力。这些人工嵌入响应与LLMS在TOM任务中的性能密切相关，该功能取决于模型的大小。此外，可以使用整个嵌入来准确地解码对方的信念，这表明在人群水平上存在嵌入的TOM能力。一起，我们的发现揭示了LLMS嵌入的新兴特性，该特性对TOM特征的响应修改了其活动，提供了人工模型与人脑中神经元之间平行的初步证据。
引文：Tom Macpherson、Anne Churchland、Terry Sejnowski、James DiCarlo、Kamitani Yukiyasu 等人，2021 年。“自然与人工智能：人工智能与神经科学研究之间相互作用的简要介绍。”《神经网络》，144。
神经科学和人工智能 (AI) 有着悠久的合作历史。神经科学的进步，以及过去几十年计算机处理能力的巨大飞跃，催生了受大脑结构启发的新一代计算机神经网络。这些人工智能系统现在能够实现生物系统的许多高级感知和认知能力，包括物体识别和决策。此外，人工智能现在越来越多地被用作神经科学研究的工具，并正在改变我们对大脑功能的理解。特别是，深度学习已被用来模拟大脑皮层中的卷积层和循环连接如何控制重要功能，包括视觉处理、记忆和运动控制。令人兴奋的是，使用受神经科学启发的人工智能也有望理解大脑网络的变化如何导致精神病理学，甚至可以用于治疗方案。在这里，我们讨论了神经科学和人工智能之间的关系导致该领域取得重大进展的四个领域的最新进展； （1）工作记忆的人工智能模型，（2）人工智能视觉处理，（3）大型神经科学数据集的人工智能分析，以及（4）计算精神病学。© 2021 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
较大的call体量有利于健康儿童的心理发展理论
先前的研究表明，call体（CC）和心理理论（TOM）能力之间的联系（ACC）之间存在联系，但健康孩子中CC量与Tom之间的关系仍不清楚。本研究检查了CC数量是否影响儿童在评估假装，情感识别和错误信念的理解的TOM任务上的表现。6-12岁的40名儿童接受了结构磁共振成像（MRI）和认知测试电池。我们发现，CC的较大的中部和中央小节与更好的TOM能力显着相关。我们还可以证明年龄和性别相关的影响，因为CC – TOM的关系在年轻（6-8岁）及以上（9-12岁）的儿童以及女性和男性参与者之间。重要的是，年龄较大的孩子驱动了CC中部和中央小节量和TOM能力之间的关联。这项研究是第一个证明CC大小与健康儿童的能力相关的一项研究，强调了CC在其社会认知发展中起着至关重要的作用。CC小节的体积不仅可以作为已知表现出社会认知缺陷的神经发育群体中异质性的量度，而且还可以作为典型发展的儿童的量度。
成人的研究可以告知思想发展理论
有强有力的证据表明，在3 - 4年期间，儿童心理理论（TOM）的发展与语言和执行功能的发展有关。但是，这些关系可能存在两个原因。首先，对于儿童发展过程中的成熟tom能力可能是必需的。第二，语言和执行功能对于发展汤姆可能是必需的，但在成熟的汤姆中没有必要的作用。如果研究人员只研究幼儿，很难区分这些可能性。对成年人的研究可以直接提供有关语言和执行功能在成熟汤姆的作用的直接证据。最近的工作表明，执行功能受损在成人TOM中具有多个角色，但是严重受损的语法可以使Tom在结构上完好无损。对儿童的研究报告说，汤姆与语言和执行功能都相关，但成年人的发现表明，应以重要的方式解释这些关系。
认知科学、神经科学和人工智能交界处的心智理论和偏好学习：综述
心智理论 (ToM) 是人类认知的关键组成部分，即人类心智将心理状态归因于他人的能力。为了理解他人的心理状态或观点，并在社交和职业环境中与他人成功互动，这种社会认知形式必不可少。同样的推断人类心理状态的能力是人工智能 (AI) 融入社会的先决条件，例如在医疗保健和汽车行业。自动驾驶汽车需要能够推断人类驾驶员和行人的心理状态，以预测他们的行为。在文献中，人们对 ToM 的理解越来越多，特别是随着对儿童和自闭症谱系障碍患者的认知科学研究的增加。同样，通过神经影像学研究，现在人们对 ToM 背后的神经机制有了更好的理解。此外，已经提出了用于推断人类心理状态的新 AI 算法，其应用更复杂，通用性更好。在这篇评论中，我们综合了认知和神经科学中对 ToM 的现有理解以及已提出的 AI 计算模型。我们重点关注偏好学习这一特别感兴趣的领域以及最新的神经认知和计算 ToM 模型。我们还讨论了现有模型的局限性，并暗示了允许 ToM 模型充分表达人类思维各个方面（包括价值观和偏好）的复杂性的潜在方法。
Happé理论 - Incrion Animation Task
抽象的思想理论（汤姆）是指将精神状态归因于其他人的认知能力。这种功能甚至扩展到精神状态的归因于具有简单几何形状的动画，例如Frith-Happé动画，其中两个三角形无目的地移动（随机条件）（随机条件），表现出纯粹的身体运动（目标为导向的条件），或者像一个三角形在一个三角形对其他三角形的心理状态（tom tom的状态）一样移动。尽管已经完全确立了人类的这种能力，但对非人类灵长类动物的研究产生了不一致的结果。这项研究探讨了一种高度社交的灵长类动物Marmosets（Callithrix Jacchus）如何通过研究凝视模式和脑部激活Marmosets和人类观察到这些动画的方式来处理Frith-Happé动画。我们透露，与其他条件相比，在TOM动画中的三角形上，Marmosets和人类都表现出更长的固定性。但是，我们没有观察到与人类在Marmosets中的TOM动画上更长的整体固定持续时间相同的模式。此外，我们的发现表明，在观看汤姆与随机动画时，两种物种都激活了广泛和可比的大脑网络，这表明摩尔摩人在与人类类似的情况下区分了这些情况。虽然马尔莫斯人没有模仿人类的整体固定模式，但它们的凝视行为和神经激活表明汤姆和非TOM场景之间有区别。这项研究扩展了我们对非人类灵长类动物认知能力的理解，阐明了Marmoset和人类之间的TOM处理的潜在相似性和差异。
《人工智能法案》提案中医疗器械软件分类分析 Karla A. Cepeda Zapata 1,2 、Ritesh Patil 1,2 、Tomás Ward 1,2 、Róisín Loughran 1,2 和 Fergal McCaffery 1,2
摘要 欧盟委员会 (EC) 提出的《人工智能法案》(AIA) 被认为是首次在法律上尝试协调人工智能系统规则。该提案旨在规范欧洲不同经济部门的人工智能系统，包括医疗器械 (MD)。本文旨在研究 AIA 中人工智能系统的分类及其与医疗器械法规 (MDR) 的一致性。分析重点是医疗器械软件 (SaMD) 和医疗器械中的软件 (SiMD)，不包括通用人工智能系统和机械产品（即驱动系统和安全组件），因为需要对机械指令立法进行调查。该策略是通过映射与 AIA 第 6 条相关的关键术语和定义来确定人工智能系统的分类条件。然后，将这些条件转化为适合 MD 领域的命题，并以流程图的形式呈现以供讨论。分析的主要信息来源是 MDR 和 AIA，考虑到该提案的最新修订版本（主席妥协文本，文件 11124/22）。我们通过讨论根据 AIA 对 SaMD 和 SiMD 的分类途径以及对术语相关问题和建议的额外讨论来结束本文。关键词 1 人工智能法案提案、医疗器械监管、医疗器械软件、人工智能系统分类
如何重置您的 UTAD 密码
不允许使用以下特殊字符：& # @ < 空白或空格 不能全是数字 不能与前 10 个密码相同 不能包含 3 个或更多相同字符的重复 区分大小写，即“TOM”不等于“tom” 不能包含您的用户名或您的名字、姓氏或中间名