XiaoMi-AI文件搜索系统
World File Search System不透明度
在生物医学成像中纳入XAI和深度学习
摘要摘要人工智能（AI）和深度学习（DL）技术已彻底改变了疾病的检测，尤其是在医学成像（MI）中。这些技术在图像分类中表现出出色的性能，但它们融入临床实践中仍然逐渐逐步。一个重大挑战在于深神经网络（DNN）模型的不透明度，该模型在不解释其结构的情况下提供了预测。缺乏透明度在医疗保健行业中构成了严重的问题，因为对自动化技术的信任对于医生，患者和其他利益相关者至关重要。担心自动驾驶汽车事故中的责任与与医学成像中深度学习应用相关的责任相当。误报和假否定性等错误会对患者的健康产生负面影响。可解释的人工智能（XAI）工具旨在通过为预测模型提供可理解的见解来解决这些问题。这些工具可以增强对AI系统的信心，加速诊断过程，并确保遵守法律要求。在推进技术应用的动机的驱动下，这项工作对可解释的AI（XAI）和深度学习（DL）技术进行了全面审查，该技术是针对生物医学成像诊断的。它检查了最新方法，评估其临床适用性，并突出了关键挑战，包括可解释性，可伸缩性和整合到医疗保健中。此外，审查还确定了XAI研究中新兴趋势和潜在的未来方向，并根据其适合各种诊断任务的技术提供了结构化的分类。这些发现对于寻求准确和可靠的诊断支持，解决监管和道德考虑的政策制定者以及旨在设计旨在平衡创新，安全性和临床透明度的系统的AI开发人员的医疗保健专业人员来说是无价的。
数字图像处理的扩展概述
数字图像处理涉及使用数字计算机操纵数字图像。这是系统和信号的区域，特别强调图片。计算机的开发是DIP的主要目标。系统具有处理图像的能力。由许多图片组成的图像称为数字图像。像素是元素的另一个名称，每个元素的强度或灰色水平都有有限的离散数量表示。这些是二维函数的输出，其空间坐标为输入，由x和y轴上的字母x和y表示。在开始图像处理之前，请先了解需要什么图像。图片的高度，广度和其他维度是其表示形式。此像素是图片上的一个位置，可获得一定的颜色，不透明度和阴影。在灰度图像中，像素是一个具有0到255之间的整数，其中0代表总黑度，而255代表整个白度。红色，绿色和蓝色的强度由构成像素的三个整数表示，该整数范围从0到255 [1]。数字图像处理是使用计算机算法处理数字图像的过程。与模拟图像处理相比，数字图像处理提供了许多好处。它可以防止处理过程中的噪声积累和信号失真等问题，并使更多的算法应用于输入数据。机器学习的领域相对较新。多维系统可用于描述数字图像处理，因为图像是在二维中定义的，即使不是更多[4]。随着该领域的研究变得更加深入，机器学习的使用范围正在增长。然而，随着科学和技术的提高，图像已成为传输信息的重要手段，并且图像处理技术同样正在迅速扩展。解释了每个图像处理技术的局限性，以及当今最广泛使用的图像处理系统的详细比较。
哲学9234：ai
哲学9234：A.I。的道德与社会意义(STATS 9940 / ECE 9660 / COMPSCI 9147) Thursdays 11:30 - 2:30, in-person Room: Will be posted in OWL Instructor: Andrew Buzzell abuzzel2@uwo.ca Office Hours: Will be posted in OWL Prerequisites: Registration in the Collaborative Specialization in Artificial Intelligence, Masters of Data Analytics Specialty in Artificial Intelligence, a graduate program in the哲学系或部门的许可。一般描述新技术可以创造道德挑战和紧张局势并不是什么新鲜事物，但许多人认为人工智能的道德和社会影响确实存在一些新颖的东西。AI的迅速和日益增长的患病率使它对这项技术的道德维度引起了人们的兴趣。公司称赞新技术是道德的，发表有关其道德AI策略的文章，甚至聘请道德规范，而其他人则抱怨道德已经成为进步的障碍。学术和公共话语越来越多地提出有关道德AI和技术的问题，通常会引起人们对AI技术后果有害的案件的关注。那些与人工智能系统进行，使用和互动的人越来越多地面临有关可以说是道德的程度的问题。我们如何对这些问题有效地思考？本课程将介绍一些一般的伦理概念和理论，将它们置于应用技术伦理的背景下，并探索其对当前和新兴人工智能的应用。学习目标：将重点介绍并讨论特定案例和应用领域。通过这些讨论，我们将阐明AI的几个独特特征 - 包括不透明度，社会技术复杂性，AI用户无法理解其如何达到结果以及自主决策的潜力 - 并考虑其对在各种环境中使用AI工具的影响。我们将进一步考虑AI的治理，例如科技公司或专业社会是否制定了足够的道德准则，以及政府如何以及是否应该为AI开发新颖的监管方法。阅读将以各种专业人士的观点为特征：哲学家，AI研究人员，社会科学家，律师和技术记者等。该课程将分为大约两半 - 第一个将概述AI的伦理，第二个将考虑一系列案例研究，探讨AI在特定领域的影响以及许多客座讲师。
研究文章 Qure.ai 自动分类器针对各种类型结核病患者的大型注释数据库的性能
在结核病肆虐的地区，缺乏训练有素的放射科医生来快速处理 CXR 一直是一个挑战，影响及时诊断和患者监测。结核病患者肺部注释图像的缺乏阻碍了将面向数据的算法应用于研究和临床实践的尝试。结核病门户计划数据库 (TBPP，https://TBPortals.niaid.nih.gov) 是一个全球合作项目，整理了大量最危险、难以治愈的耐药结核病 (DR-TB) 患者病例。TBPP 拥有 1,179 例 (83%) 耐药结核病患者病例，是一个独特的集合，非常适合作为深度学习分类器的试验场。截至 2019 年 1 月，TBPP 数据库包含 1,538 张 CXR，其中 346 张（22.5%）由放射科医生注释，104 张（6.7%）由肺科医生注释，剩下 1,088 张（70.7%）没有注释。Qure.ai qXR 人工智能自动 CXR 解释工具在 TBPP 数据库中 346 张放射科医生注释的 CXR 上进行了盲测。Qure.ai qXR 对空腔、结节、胸腔积液、肺门淋巴结肿大的 CXR 预测与人类专家注释成功匹配。此外，我们还测试了 12 个 Qure.ai 分类器，以确定它们是否与治疗成功率相关（治疗医生提供的信息）。发现十个描述符具有重要意义：异常 CXR（p = 0.0005）、胸腔积液（p = 0.048）、结节（p = 0.0004）、肺门淋巴结肿大（p = 0.0038）、空洞（p = 0.0002）、不透明度（p = 0.0006）、肺扩张（p = 0.0074）、实变（p = 0.0004）、结核病指标（p = < .0001）和纤维化（p = < .0001）。我们得出结论，应用全自动 Qure.ai CXR 分析工具可用于快速、准确、统一、大规模的 CXR 注释辅助，因为它即使对于未用于初始训练的 DR-TB 病例也表现良好。在 TBPP 等不同数据集上测试人工智能算法（包括机器学习和深度学习分类器）对于临床采用的医疗数据分析自动助手至关重要。
替代牛奶对链球菌突变生物膜的影响...
抽象目标进行了这项研究，以研究替代牛奶对链球菌突变体生物膜形成的影响及其在一颗牙齿中脱氧搪瓷的能力。材料和方法首先，为了评估牛奶，无乳糖牛奶，山羊奶，未加糖的开心果牛奶和甜心的开心果牛奶对S. utans生物膜形成的影响，进行了生物纤维测定。测量光密度（OD）以确定突变链球菌生物膜。第二，为了评估牙釉质脱甲化，从50个原发牙中制备搪瓷板，并分为三个测试组，以及阳性和阴性对照组。搪瓷板每天浸入每种类型的牛奶中，持续5天。测量了牙釉质脱矿化的表面硬度损失（％SHL）的百分比。从每个组中随机选择一个搪瓷平板，以使用光学显微镜可视化脱矿化区域的搪瓷不透明度。从每个组随机选择另一个平板将其用荧光染料染色，并使用共聚焦显微镜观察生物膜结构。结果牛奶，无乳糖牛奶，山羊奶，未加糖的开心牛奶和甜心的开心果牛奶的OD SD（标准偏差）测量结果为0.082（0.002），0.086（0.004），0.086（0.004），0.083（0.083（0.083），0.083（0.07），0.0952（0.07），0.0952（0.095）（0.0952）（0.0952）（0.0952）（0.0952）（0.0952）（0.0952）（0.095）（0.0952）（0.0952）（0.095） 分别。甜味的保水牛奶表现出比其他牛奶更重要的生物膜形成（p <0.05）。甜味的开心果牛奶中牙釉质上的％shl高（p <0.001）比其他测试过的牛奶高。，由于牛奶，无乳糖牛奶，山羊奶和未加糖的开心果牛奶之间的生物膜形成没有显着差异，我们仅用牛奶，未加糖的开心牛奶和甜心的保险公司进行了搪瓷脱矿化。牛奶，未加糖的开心牛奶和甜心牛奶的％SHL（SD）分别为20.01（2.618），22.088（3.4）和35.49（2.069）。在光学显微镜下，在甜味的开心果牛奶的平板上直接将白斑病变可视化。在甜味中形成的生物膜
蒙特利尔人工智能伦理研究所为... 准备的报告
1.将精力集中在研究和创新界、成员国和私营部门，以及那些在欧洲人工智能战略中应该优先考虑的领域。2.在主要贸易伙伴的政策与欧盟管理人工智能开发和使用的政策之间建立一致性。3.分析当前生态系统中理论框架和构建可信人工智能系统的方法之间的差距，以创建更具可操作性的指导，帮助组织在实践中实施这些原则。4.注重协调和政策协调，特别是在两个领域：增加对人工智能初创企业的融资以及发展技能和调整当前的培训计划。5.利用联邦学习、差异隐私、联邦分析和同态加密等技术进步，重点关注促进数据私密和安全共享的机制。6.创建现有人工智能研究卓越中心网络，以加强研究和创新社区，重点是开展考虑到各种价值观/道德观的高质量学术工作。7.促进知识转移，为中小企业发展人工智能专业知识，并通过数字创新中心支持中小企业与其他利益相关者之间的伙伴关系。8.在有关人工智能系统不透明度的讨论中添加细微差别，以便对这些系统的治理方式以及在哪个地方需要何种程度的可解释性和透明度采取循序渐进的方法。9.为个人创建一个对人工智能系统的决定或输出提出上诉的流程，例如“谈判权”，这类似于《通用数据保护条例》（GDPR）中详述的“反对权”。10.实施新规则并加强现有法规，以更好地解决有关人工智能系统的担忧。11.禁止使用面部识别技术，这可以大大降低歧视性结果和侵犯基本权利的风险。12.对所有人工智能系统（例如低风险、中风险和高风险应用程序）都应遵守类似的标准和强制性要求。13.确保如果使用生物特征识别系统，它们能够实现实施的目的，同时也是完成任务的最佳方式。14.15.对不被视为高风险的系统实施自愿标签系统，并应通过强有力的经济激励措施进一步支持该系统。任命了解人工智能系统并能够与各种利益相关者有效沟通任何潜在风险的个人参与人工监督过程，以便他们采取适当的行动。
可解释的AI：开发可解释的深度学习...
抽象人工智能（AI）和深度学习（DL）在增强各种专业的医学诊断方面具有巨大的潜力。然而，这些模型的固有复杂性和不透明性在临床采用方面构成了重大挑战，特别是由于医疗保健决策的批判性质。本研究论文探讨了可解释的深度学习模型用于医学诊断的发展，重点是将可解释的AI（XAI）技术整合起来，以提高透明度，问责制和对AI辅助医疗决策的信任。我们研究了各种XAI方法，它们在不同的医疗领域的应用以及它们对诊断准确性和临床解释性的影响。通过对案例研究的全面分析，我们证明了可解释的模型如何不仅可以保持较高的诊断性能，还可以为其决策过程提供宝贵的见解，从而有可能彻底改变了AI和人类医疗保健专业知识之间的协同作用。关键字：可解释的AI；深度学习；医学诊断；解释性；卫生保健;人工智能1。简介医疗保健中人工智能（AI）和深度学习（DL）的整合在增强医学诊断，治疗计划和患者护理方面表现出了巨大的希望。这些高级计算模型已经证明了在图像识别，自然语言处理和复杂模式识别等任务中通常匹配或超过人类表现的功能[1]。在医学诊断领域中，AI系统在检测医学成像，预测患者预后以及识别可能会忽略甚至可能经历过医疗保健专业人员的临床数据中的细微模式方面取得了显着的准确性[2]。但是，在临床环境中广泛采用AI是一个重大障碍：许多深度学习模型的“黑匣子”性质。这些模型的复杂性和不透明度使医疗保健提供者了解和信任AI生成的诊断和建议背后的推理[3]。缺乏解释性引起了人们对责任制，患者安全以及依靠AI进行关键医疗决策的道德意义的担忧。可解释的AI（XAI）已成为一个关键领域，旨在通过开发方法和技术来使AI系统更透明和可解释[4]来应对这些挑战。在医学诊断的背景下，XAI试图解开深度学习模型的决策过程，提供有关这些系统如何得出结论并实现医疗保健
气候AI中的道德：从理论到实践
气候科学，尤其是气候人工智能（AI），不能与道德社会问题（例如资源获取，保护和公共卫生）脱节。明显的非政治选择（例如，处理用于平等训练AI模型的所有数据点）可以导致模型在数据密度和质量较高的区域中更准确；这些通常与世界北部和西部地区一致（例如[1，2]）。在获取数据和计算资源的访问中的不平等加剧了社区之间的差距，以理解气候变化的影响和对缓解和适应的行动，通常会损害那些受影响最大的人（例如，[3，4]）。尽管这些问题不是AI的独有性，但AI模型的开发和运作，AI模型结果的发展和运作方面的广泛不透明度以及AI领域的快速发展进一步增加了资源不同的各方之间权力和代理的不平等。这为气候科学家创造了一个机会，可以重新考虑道德在其研究方法中的作用。气候科学家可以通过多种方式与社会互动。在这里，我们关注科学研究的过程，确定一些良好的实践来构建可信赖和负责任的模型，然后提供一些资源。在创建和培训模型中，我们鼓励研究人员认识到科学不能纯粹是“客观的”，并且先验，数据和指标的选择都带有偏见（例如[5]）。解决或消除它们是不现实的，因为对“更好”模型或结果的解释高度取决于用户的特定目标。因此，至关重要的是，对所做的假设，所使用的算法和超参数的假设以及评估指标和过程至关重要，理想情况下，也可以根据可重复的科学原理（例如[6]）提供数据和代码。在评估和介绍统计或机器学习模型的性能时，考虑可能的故障模式可以是检查系统行为的有用镜头。良好的起点是[7]提出的分类学，该分类法考虑了设计，实施和通信中的缺陷，特别是针对气候科学的缺陷，该列表由[8]汇编而成。与来自气候域的AI模型特别相关的故障模式包括分布偏移的鲁棒性；例如，对于接受历史数据训练的模型，很难预测它们在气候变化带来的看不见条件下的表现。通过考虑故障模式引起的良好实践可能包括通过模拟来量化预期模型性能的努力，定义模型的预期适用性范围，并考虑如何在定义评估策略和验证
揭开人工智能在市场中的作用...
学生，莲花谷学校，新德里 摘要 在这篇评论论文中，研究了人工智能在股票交易中的动态格局。本文全面研究了人工智能对交易各个方面的变革性影响，包括算法的演变、机器学习驱动策略的兴起以及生成式人工智能在优化前台生产力方面的整合。研究人员探索了现有文献中的经验证据和见解，以提供对在股票交易中实施人工智能所带来的好处和挑战的细致理解。通过批判性分析，该评论揭示了投资银行的潜在收入机会以及对市场稳定性、决策过程不透明度以及驾驭股票交易中人工智能未来所需的微妙平衡的共同担忧。本文还探讨了人工智能在股票交易风险管理中的作用，强调了人工智能模型如何改善实时风险评估并降低金融衰退的可能性。此外，它还研究了算法偏见引起的道德问题以及人工智能在金融市场部署背景下对开放治理结构的要求。该评论致力于通过整合来自多种来源的数据，全面展望人工智能与股票交易之间的复杂关系。这将有助于更深入地理解这种关系对市场参与者、监管机构和更广泛的金融生态系统的影响。目的关键词：人工智能、股票交易、机器学习策略、收入机会、市场稳定性、实时评估、治理结构、监管机构、金融生态系统简介随着最近世界令人震惊的发展，人工智能（AI）的活生生的多元宇宙已变得突出，反映了人工智能的动态和快速发展的性质。目前几乎每个人都在使用人工智能，因为它能够自动执行任务、提高效率并提供智能解决方案。人工智能（AI）已成为一股强大的力量，正在重新定义市场预测，从而导致近年来技术与金融交汇处的革命性转变。为了赋予投资者和市场分析师权力，本研究旨在探索算法、机器学习和数据分析相交的动态格局。通过利用庞大的数据集和复杂的算法，人工智能技术的空前发展开创了一个新时代，并重新定义了传统的预测方法。随着金融市场变得越来越复杂和相互关联，人工智能 (AI) 在预测市场走势方面变得不可或缺。
可见光响应动态生物材料
提供用户定义的力学、信号呈现和生物分子释放控制。利用光介导化学来调节材料特性，使研究人员能够在时间和空间上调整和控制化学反应。[25] 依靠生理条件来触发材料反应可能具有挑战性，因为局部酶浓度、pH 值甚至还原环境在活体样本和患者中可能存在很大差异。[26,27] 利用外部触发器可以帮助标准化研究和临床结果，将启动材料改变的权力交到患者或提供者手中。在此类事件的其他可能的外部触发器中（例如超声波、磁场或电场以及外源性施用的小分子），光是独一无二的，因为它可以提供高度局部化的材料响应，能够准确调整材料变化的程度，并有可能使用不同的波长调节不同的物理化学性质。虽然光响应生物材料在实验室中引起了轰动，但它们的适用范围很少超出体外细胞培养。常用化学物质与组织不透明度相结合所带来的根本限制使得体内应用基本上不可能。材料中最常用的光响应分子对近紫外线 (near-UV) 和蓝光反应最佳，这两种光对组织的穿透性都最小。[28] 虽然一些用这些光响应基团修饰的生物材料已在体内使用，但它们的激活仅限于皮肤下方的移植位置。[29] 将这些方法扩展到体内环境需要使用能够深入复杂组织的低能量、长波长光。扩大体内调节可能性的愿望导致了对此类光响应分子的激活波长进行红移的重大推动。这些化学进展，加上光学技术的发展，可在体内局部管理光，为在活体环境中光控制材料提供了新的和令人兴奋的机会。鉴于最近的几份报告详细介绍了对紫外线和蓝光敏感的物种及其材料科学应用，[1,30,31] 在这里我们重点介绍一些系统，这些系统的光激活可以通过接近哺乳动物组织光学窗口的低能光来控制。为了本综述的目的，我们将讨论仅限于光活性小分子和蛋白质，它们的单光子激发波长位于可见光和近红外 (near-IR) 区域，可用于通过光调节体内生物材料的特性。