XiaoMi-AI文件搜索系统
World File Search System全自动
研究方案 人工智能和基于云的平台，用于冠状动脉造影的全自动 PCI 指导 - 研究方案
无论在日常医疗中采用何种方法诊断和治疗此类患者，缺血性心脏病都会给医疗系统带来沉重的负担。本文描述了一项研究的方案，该研究的主要目的是开发、实施和测试一种人工智能算法和基于云的平台，使用冠状动脉造影图像进行全自动 PCI 指导。我们建议利用多种基于人工智能的模型进行三维冠状动脉解剖重建并评估功能（PCI 后 FFR 计算），以制定一份详尽的报告，描述和激励最佳 PCI 策略选择。所有相关的人工智能模型输出（解剖和功能评估——PCI 前后）都通过云平台呈现给临床医生，然后临床医生可以做出最佳治疗决定。医生将获得针对同一病例的多种方案和治疗可能性，以便实时评估最合适的 PCI 策略规划和后续行动。人工智能算法和基于云的 PCI 选择工作流程将在一项试点临床研究中得到验证和确认，其中包括前瞻性地将人工智能服务和结果与注释和侵入性测量进行比较。
非洲药物研发中心实施首个全自动 AI/ML 虚拟筛选级联
我们介绍了 ZairaChem，这是一种基于人工智能 (AI) 和机器学习 (ML) 的工具，用于训练小分子活性预测模型。ZairaChem 是完全自动化的，需要的计算资源很少，并且适用于广泛的数据集，从全细胞生长抑制测定到药物代谢特性。该工具已在整体药物发现和开发 (H3D) 中心端到端实施，该中心是非洲领先的综合药物发现单位，之前没有 AI/ML 功能。我们利用了十多年来在疟疾和结核病药物发现研究中收集的内部数据，并建立了模型来预测 15 个关键检查点检测的结果。随后，我们在组织规模上将这些模型部署为虚拟筛选级联，以提高当前实验检测的命中率。我们展示了在合成和实验测试之前对化合物进行计算分析如何将进展率提高多达 40%。此外，我们证明了该方法可用于优先考虑化学系列中的小分子，并评估新化学型成功的可能性，从而促进有限实验资源的有效利用。该项目是 H3D 中心（一家在资源匮乏的环境中运营的研究中心）与 Ersilia 开源计划（一家致力于在全球南方建设数据科学能力的年轻科技非营利组织）之间首次开展的合作的一部分。
对体育活动对1型糖尿病患者的葡萄糖动力学的影响，用于全自动人工胰腺
摘要 - 在本文中，1型糖尿病患者（T1D）对中等强度有氧运动活性的血糖（BG）动力学模型来自基于生理的第一原理和系统识别实验。我们表明，通过在两个阶段增强胰岛素依赖性葡萄糖利用，胰岛素独立的葡萄糖清除率和增强的葡萄糖摄取的短期短期增加，以及长期持续的胰岛素对胰岛素作用的持续持续敏感性，这是一种能够验证活性对葡萄糖的影响的代谢模型。第二，提出了一个面向控制的传输函数模型，以预测BG对锻炼的反应，该响应模型为心脏速率（HR）的步骤变化。提出了将模型预测与在包括体育活动（PA）在内的一系列实验会议中收集的实际患者数据进行比较的结果。这些发现将有助于设计全自动的闭环，以改善T1D患者日常生活条件下的葡萄糖控制。索引术语 - 人工胰腺，体育活动建模，1型糖尿病，血糖控制，葡萄糖动力学建模。
用于检测和分类颅内出血的全自动基于正弦图的深度学习模型
摘要目的：提出一种使用深度学习框架直接从正弦图中检测和分类颅内出血 (ICH) 的自动化方法。该方法旨在通过消除耗时的重建步骤并最大限度地减少计算机断层扫描 (CT) 重建过程中可能出现的潜在噪音和伪影来克服传统诊断的局限性。方法：本研究提出了一种使用深度学习框架从正弦图中检测和分类 ICH 的两阶段自动化方法。该框架的第一阶段是强度变换正弦图合成器，它合成与强度变换 CT 图像等效的正弦图。第二阶段包括级联卷积神经网络-循环神经网络 (CNN-RNN) 模型，该模型可从合成的正弦图中检测和分类出血。 CNN 模块从每个输入的正弦图中提取高级特征，而 RNN 模块提供正弦图中邻域区域的空间相关性。在一个包含 8652 例患者的大型样本的公开 RSNA 数据集上对所提出的方法进行了评估。结果：结果表明，与 ResNext-101、Inception-v3 和 Vision Transformer 等最新方法相比，所提出的方法在患者准确率上显着提高了 27%。此外，与基于 CT 图像的方法相比，基于正弦图的方法对噪声和偏移误差的鲁棒性更高。还对所提出的模型进行了多标签分类分析，以从给定的正弦图中确定出血类型。还使用激活图检查了所提出模型的学习模式的可解释性。结论：所提出的基于正弦图的方法可以准确、高效地诊断 ICH，无需耗时的重建步骤，并有可能克服基于 CT 图像的方法的局限性。结果显示，使用基于正弦图的方法检测出血的效果良好，进一步的研究可以探索该方法在临床环境中的潜力。
用于全自动 PIC 晶圆级测试的光学边缘耦合方法
• 短和长工作距离设计 • 高耦合效率 • 高重复性和稳定性 • 在光栅耦合器锥度处，平面前波与光束近乎准直 • 可以实现超长工作距离 (WD) – 例如高达 >800 μ m • 在 Z 方向（光束传播方向）对垂直方向具有耐受性
一种具有脉冲减少和位置特征的全自动多通道神经脉冲分类算法
摘要 目的：对 Neuropixels 等多通道和高通道神经探针记录的神经尖峰数据进行分类，尤其是实时分类，仍然是一项重大的技术挑战。大多数神经尖峰分类算法侧重于事后对神经尖峰进行高分类精度——但这些算法通常无法减少处理延迟以实现快速分类，甚至可能是实时分类。 方法：我们在此报告我们的图形网络多通道排序 (GEMsort) 算法，该算法主要基于图形网络，可以对多个神经记录通道进行快速神经尖峰分类。这是通过两项创新实现的：在 GEMsort 中，通过仅选择任何通道中幅度最高的神经尖峰进行后续处理，从多个通道记录的重复神经尖峰被从重复通道中消除。此外，记录代表性神经尖峰的通道被用作附加特征，以区分从具有相似时间特征的不同神经元记录的神经尖峰。 主要结果：合成和实验记录的多通道神经记录用于评估 GEMsort 的分类性能。 GEMsort 的排序结果还与其他两种最先进的排序算法（Kilosort 和 Mountainsort）在排序时间和排序一致性方面进行了比较。意义：GEMsort 可以快速对神经脉冲进行排序，非常适合用数字电路实现，以实现高处理速度和通道可扩展性。
使用重叠块和多类加权交叉熵的基于深度学习的选择性注意的全自动脑肿瘤分割
Mostefa Ben Naceur、Mohamed Akil、Rachida Saouli、Rostom Kachouri。使用重叠块和多类加权交叉熵，通过基于深度学习的选择性注意实现全自动脑肿瘤分割。医学图像分析，2020 年，�10.1016/j.media.2020.101692�。�hal-02533454�
