XiaoMi-AI文件搜索系统
World File Search System准确性
医院的AI工具在审查中的准确性和偏见
使用AI辅助预测模型报告的美国医院中约有65％最常用于预测住院健康轨迹，识别高风险门诊患者并促进安排。虽然61％的医院评估了其准确性的预测模型，但只有44％的医院对偏见进行了类似的评估。与资源不足的医院或使用外部开发人员相比，拥有更多财务资源和技术专业知识的医院更有可能拥有和评估AI模型。
远程医疗中人工智能 (AI) 聊天机器人的准确性
部分由于疫情的影响，远程医疗中的人工智能 (AI) 聊天机器人是医疗领域的最新进展，并正在推动医疗界向自动化医疗迈进。这项研究的目的是发现人工智能聊天机器人是否能够有效地让患者在咨询医疗专业人员之前了解自己可能患有的疾病。假设在所使用的四个人工智能聊天机器人（Symptomate、Ada、Isabel 症状检查器和 K Health）中，K Health 是最准确的。这一预测是基于用户界面和应用程序的可访问性做出的。聊天机器人的测试方法是，在咨询医疗专业人员后，首先开发一组医疗症状。预先确定的医疗症状被输入到人工智能聊天机器人中，然后由聊天机器人进行诊断。在三十次试验中，聊天机器人的准确率如下。Symptomate 平均诊断正确率为 66%，Isabel 症状检查器平均诊断正确率为 86%，K health 和 ADA 的平均准确率为 80%。由于 F u 小于 F，因此无法拒绝零假设。简介
开发轮廓系统——大幅提高放射治疗的准确性
广岛大学研究生院生物医科学研究科助理教授河原大辅、项目副教授小泽修一、永田康史教授以及日本临床肿瘤学小组（JCOG）医学物理工作组成员西尾义晴教授组成的研究小组开发了一种利用人工智能技术的自动轮廓创建系统“Step-wise net”。该研究成果于2022年2月6日发表在国际科学期刊《生物和医学中的计算机》上。已发表论文标题：用于 CT 图像头部和颈部自动分割的逐步深度神经网络 (stepwise-net) 作者：Daisuke Kawahara*1、Masato Tsuneda2、Shuichi Ozawa3、Hiroyuki Okamoto4、Mitsuhiro Nakamura5、Teiji Nishio6、Yasushi Nagata1,3。1 广岛大学生物医学健康科学研究生院放射肿瘤学系，广岛 734-8551，日本 2 千叶大学医学院 MR Linac ART 部放射肿瘤学系，千叶 260-8670，日本 3 广岛高精度放射治疗癌症中心，广岛 732-0057，日本 4 国立癌症中心医院医学物理学系。东京 104-0045，日本 5 京都大学医学院人类健康科学信息技术和医学工程系医学物理学系，京都606-8507，日本 6 大阪大学医学研究生院健康科学系医学物理实验室，大阪，565-0871，日本 发表于：生物和医学中的计算机 DOI 编号：10.1016/j.compbiomed.2022.105295。
信心和解释对人工智能辅助决策准确性和信任校准的影响
如今，人工智能越来越多地被用于帮助人类专家在高风险场景中做出决策。在这些场景中，完全自动化通常是不可取的，这不仅是因为结果的重要性，还因为人类专家可以利用他们的领域知识来补充模型，以确保任务成功。我们将这些场景称为人工智能辅助决策，其中人类和人工智能各自的优势共同优化联合决策结果。成功的关键在于根据具体情况适当校准人类对人工智能的信任；知道何时信任或不信任人工智能可以让人类专家适当地运用他们的知识，在模型可能表现不佳的情况下改善决策结果。本研究对人工智能辅助决策进行了案例研究，其中人类和人工智能单独具有可比的表现，并探索揭示特定案例模型信息的特征是否可以校准信任并提高人类和人工智能的联合表现。具体来说，我们研究显示特定预测的置信度得分和局部解释的影响。通过两项人类实验，我们表明，置信度得分可以帮助校准人们对人工智能模型的信任，但仅靠信任校准不足以改善人工智能辅助决策，这也可能取决于人类是否能够带来足够的独特知识来弥补人工智能的错误。我们还强调了在人工智能辅助决策场景中使用局部解释的问题，并邀请研究界探索新的可解释性方法，以校准人类对人工智能的信任。
结合多个廉价 GPS 接收器来提高准确性和可靠性
第 3 章。框架和方法. . . . . . . . . . . . . . . 18 3.1 概念证明. . . . . . . . . . . . . . . . . . . . . . . . . 18 3.2 集中式设计. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ... Barry Roberts 帮助开发了超声波防撞软件和硬件。Min Meng 和 Aki o K os aka 进行了基础实验，帮助我们理解
评估基于 ALS 的移除估计的准确性针对实际日志数据
机载激光扫描 (ALS)、现场图和预测模型的结合使用是当今芬兰森林管理导向清单中最重要的信息来源 (Maltamo 和 Packalén 2014)。ALS 也是国家森林清单 (Grafström 和 Hedström Ringvall 2013) 和收获前林分测量 (Peuhkurinen 等人2007)。在实际的森林规划中，树种需要信息 (Packalén 2009)。航空影像通常用于解释树木种类和其他难以通过激光扫描数据预测的属性（例如 Packalén 和 Maltamo 2007；Ørka 等人2013）。清单验证表明，基于 ALS 数据的清单（Wallenius 等人2012）比使用传统基于现场的方法（Suvanto 等人2005）获得的清单更准确。此外，无论是在评估树种特定属性（例如 Packalén 和 Maltamo 2007；Breidenbach 等人2010）还是在测量单个树木属性（例如 Korpela 等人2010；Vauhkonen 2010；Yao 等人2012；Silva 等人2016）时，准确度至少与传统的现场评估相同。然而，需要进一步研究以提高基于 ALS 的森林资源清查中树木质量评估的准确性（Wallenius 等人2012）。芬兰森林中心收集、维护和分发芬兰森林的林分属性信息（芬兰森林中心 2019a）。数据基于实地调查和遥感的结合使用。模型用于预测木材体积和更新数据。实地图用作训练数据，ALS 用于将结果推广到大面积调查区域。由于《森林信息法》的修订于 2018 年 3 月初生效，许多信息通过 Metsään.fi 服务（https://www.metsaan.fi/）向公众开放。关于按树种划分的锯木和纸浆木材采伐的信息对于木材销售和采伐作业规划至关重要。树木质量特征信息也很重要（Holopainen 等人2013 年）。在预测木材种类时，训练数据应具有关于锯木和纸浆木材移除量的精确林分水平信息，这在实践中只能由采伐机测量（Malinen 等人2003 年）。2012 年；White 等人2013 年）。先前关于 ALS 清单准确性的研究通常将基于 ALS 的林分属性估计与实地测量进行比较（例如，Næsset 2007；Wallenius 等人。这些比较的问题在于，部分实地“测量”是模型预测。例如，木材分类量就是这种情况，它基于锥度模型和预测的质量扣除。也有一些尝试将采伐机数据用于类似目的（Siipilehto 等人。2016；Pesonen 2017）。采伐机数据也被用作训练
RNA-seq 比对、定量和差异分析
在 GRCh37 之后发布的更新版本，包含了更多的改进，例如填补了序列间隙（ gaps ）、修正 了一些错误组装的区域、增加了着丝粒序列，并在某些区域增加了 alternate loci 来代表序列 的多样性。这些改进使得 GRCh38 在基因组分析中，尤其是在检测结构变异方面，比 GRCh37 具有更高的准确性和可靠性。 GRCh38 相比于 GRCh37 ，减少了一些 N （表示序列间隙或未注 释区域）的数量，增加了 GC 含量，并且扩大了外显子组的大小。
利用人工智能预测后纵韧带骨化进展并验证其准确性
1) Kawaguchi Y, Urushisaki A, Seki S, Hori T, Asanuma Y, Kimura T. 骨化评估
•进行传入材料的物理计数，以确保准确性和完整性。
简介职位职位：材料控制器业务线：基于资产的非钻探部门：运营要求资格：材料处理，库存管理或供应链角色的经验。英语知识：是劳动关系：永久合同年经验：至少5年IT技能：Excel，Word，Outlook，对常见MS软件的熟悉。熟悉和练习在PC上操作。软技能：解决问题，团队合作，灵活性，具有交流性良好：ERP系统“企业资源计划系统”（例如SAP，Oracle）和仓库管理软件。位置：Georgetown/ VREED - EN -HOP div>