XiaoMi-AI文件搜索系统
World File Search System判别力
通过学习子模函数改进归因方法
这项工作探索了学习子模块评分函数的新想法，以提高现有特征归因方法的特异性 / 选择性。子模块分数对于归因来说是自然的，因为它们可以准确地模拟收益递减原则。提出了一种学习深度子模块集函数的新公式，该公式与现有归因方法获得的实值归因图一致。然后将特征的最终归因值定义为在其他高度归因特征的背景下该特征的诱导子模块分数的边际增益，从而减少冗余但具有区分性的特征的归因。在多个数据集上的实验表明，所提出的归因方法具有更高的特异性和良好的判别力。我们方法的实现可在 https://github.com/Piyushi-0/SEA-NN 上公开获得。
使用传统和机器学习算法预测严重创伤性脑损伤的死亡率
摘要 对患者的创伤性脑损伤 (TBI) 进行预后预测对于临床决策和医疗政策制定至关重要。本研究旨在开发和验证严重创伤性脑损伤 (sTBI) 后住院死亡率的预测模型。我们开发并验证了逻辑回归 (LR)、LASSO 回归和机器学习 (ML) 算法，包括支持向量机 (SVM) 和 XGBoost 模型。其中包括 54 个候选预测因子。模型性能以判别力 (C 统计量) 和校准 (截距和斜率) 来表示。在模型开发方面，纳入了欧洲神经创伤协作 TBI 效果研究 (CENTER-TBI) 中国注册研究中的 2804 名 sTBI 患者。对 CENTER-TBI 欧洲注册研究中的 1113 名 sTBI 患者进行了外部验证。XGBoost 在死亡率预测方面实现了高度判别力，并且其表现优于逻辑回归和 LASSO 回归。本研究建立的XGBoost模型也优于现有的预测模型，包括国际临床试验预后与分析任务（IMPACT）核心模型和国际临床试验预后与分析任务（CRASH）基本模型。当包含54个变量时，XGBoost和SVM在内部验证中达到0.87（95％置信区间[CI]：0.81-0.92）和0.85（95％CI：0.79-0.90）的C统计量，在外部验证中达到0.88（95％CI：0.87-0.88）和0.86（95％CI：0.85-0.87）。简化版的 XGBoost 和 SVM 使用通过递归特征消除 (RFE) 选择的 26 个变量，在内部验证中达到 C 统计量 0.87（95% CI：0.82-0.92）和 0.86（95% CI：0.80-0.91），在外部验证中达到 C 统计量 0.87（95% CI：0.87-0.88）和 0.87（95% CI：0.86-0.87）。但是，当包含的变量数量减少时，ML 和 LR 之间的差异会缩小。所有预测模型都可以通过基于网络的计算器访问。格拉斯哥昏迷量表 (GCS) 评分、年龄、瞳孔对光反射、脑区损伤严重程度评分 (ISS) 以及急性
MI-BCI 特征优化应在何时包含先验知识，以及哪一个？
基于运动想象的脑机接口 (MI-BCI) 依赖于人与机器之间的交互。因此，两个组件的（学习）特性对于理解和提高性能至关重要。数据驱动方法通常用于选择/提取几乎没有神经生理先验的特征。这种方法是否应该包括先验知识，如果是，那么包括哪些？本文研究了 BCI 性能与由流行的启发式算法选择的特定于受试者的最具判别力的频带 (MDFB) 的特征之间的关系。首先，我们的结果显示所选的 MDFB 特性（平均值和宽度）与性能之间存在相关性。然后，为了调查可能的因果关系，我们在线比较了使用受限（强制与高性能相关的特性）和不受约束的算法获得的性能。虽然我们无法得出因果关系的结论，但使用受限算法的平均性能最高。最后，为了更好地了解 MDFB 特性与性能之间的关系，我们使用机器学习来 1) 使用 MDFB 特性预测 MI-BCI 性能和 2) 为每个受试者自动选择最佳算法（受约束或不受约束）。我们的结果表明，对于具有明显不同或没有明显 EEG 模式的受试者，受约束算法可以提高其性能。
使用人工智能技术算法模型向泰国学生教授英语：原型分析
摘要：2019 年，人工智能 (AI) 在教育领域的应用 (AIEd) 是一个价值 5 亿美元的行业。然而，到 2024 年，人工智能在教育领域的应用预计将增加到每年 60 亿美元以上，Grammarly 等公司的估值目前超过 10 亿美元。除了使用人工智能技术的写作助手之外，人工智能应用的“圣杯”可以实现语言之间的完美同步翻译。因此，作者开发并制作了一种人工智能技术 (AIT) 模型的原型，用于泰国学生的英语教育。研究样本包括一个教室，其中有 40 名高中生，他们正在 2020 学年的第二学期学习。用于数据收集的工具包括一种人工智能技术算法，用于帮助向泰国学生教授英语。知识测量理解的句子结构和英语词汇的 IOC 一致性 (IOC) 确定为 0.60-1.00，难度在 0.26-0.75 之间，判别力为 0.74。t 检验还分析了相关样本的数据。结果显示，学生在使用 AIT 算法原型帮助教授英语后获得的英语知识比以前更高。此外，学生对模型的满意度最高。因此，可以得出结论，质量是合适和可接受的。
具有双重抑制策略的协同分解双线性网络用于 MRI 脑肿瘤分类
摘要：脑肿瘤自动分类是一种可行的加速临床诊断的方法。最近，使用 MRI 数据集进行深度卷积神经网络 (CNN) 训练已在计算机辅助诊断 (CAD) 系统中取得成功。为了进一步提高 CNN 的分类性能，在脑肿瘤的细微判别细节方面仍有一条艰难的道路。我们注意到，现有方法严重依赖数据驱动的卷积模型，而忽略了使一个类别与其他类别不同的因素。我们的研究旨在引导网络在相似的肿瘤类别中找到确切的差异。我们首先提出了一种针对脑肿瘤 MRI 的“双重抑制编码”模块，它从我们的网络中分出两条路径来细化全局无序信息和局部空间表示。目的是通过减少负面全局特征的影响并扩大显着局部部分的注意力，为正确的类别提供更有价值的线索。然后我们引入了一个用于特征融合的“分解双线性编码”层。目的是生成紧凑且有判别力的表示。最后，这两个组件之间的协同作用形成了一个以端到端方式学习的管道。大量实验在三个数据集的定性和定量评估中表现出卓越的分类性能。
提高运动想象 BCI 的性能-...
目标：基于运动想象 (MI) 的脑机接口 (BCI) 通常用于控制应用。然而，这些应用需要强大而有判别力的神经模式，因此可能需要丰富的 MI 经验。受康复领域的启发，在康复领域，具体化是改善皮质活动的关键要素，我们的研究提出了一种新颖的控制方案，在控制过程中提供虚拟具体化的反馈以提高性能。方法：受试者经历了两个沉浸式虚拟现实控制场景，他们使用脑电图 (EEG) 控制设备的二维运动。这两个场景仅在是否提供具体化反馈（反映分类意图的运动）方面有所不同。在经历每个场景后，受试者还回答了一份问卷，在问卷中他们对场景的沉浸感和反馈的具体化程度进行评分。结果：与没有具体化反馈的标准控制方案相比，受试者在使用我们的控制方案时表现出更高的控制性能、更大的大脑活动模式可辨别性和增强的皮质激活。此外，自我评价的体现和临场感得分与表现呈现出显著的正线性关系。意义：我们研究的结果提供了证据，表明提供体现反馈作为意图分类指导可能对控制应用有效，因为它可以诱导增强的神经活动和具有更大辨别能力的模式。通过将体现反馈应用于沉浸式虚拟现实，我们的研究也是另一个例子，表明虚拟现实是改善 MI 的有前途的工具。
使用相干散射增强和融合注意力金字塔从低 SCNR SAR 图像中检测飞机
摘要：近年来，基于深度学习的方法已被应用于合成孔径雷达（SAR）图像的目标检测。然而，由于SAR的成像机制和低信杂噪比（SCNR），利用SAR图像进行飞机检测仍然是一项具有挑战性的任务。针对这一问题，提出了一种基于相干散射增强和融合注意机制的低SCNR SAR图像飞机检测新方法。考虑到人造目标与自然背景之间的散射特性差异，引入相干散射增强技术来增强飞机散射信息并抑制杂波和斑点噪声。这有利于深度神经网络后续提取有关飞机的准确和有判别力的语义信息的能力。此外，开发了一种改进的Faster R-CNN，该网络具有一种融合局部和上下文注意的新型金字塔网络。局部注意通过增强重要对象的可区分特征来自适应地突出显示重要对象，而上下文注意则有助于网络提取图像的不同上下文信息。融合局部注意力和上下文注意力可以保证飞机被尽可能完整地检测到。在TerraSAR-X SAR数据集上进行了广泛的实验以与基准进行比较。实验结果表明，所提出的飞机检测方法在低SCNR下可以达到高达91.7％的平均精度，显示出有效性和优于许多基准。
thoraxjnl-2019-214104.full.pdf
摘要背景评估 CT 检测到的肺结节的恶性肿瘤风险是临床管理的核心。人工智能 (AI) 的使用为改善风险预测提供了机会。在这里，我们比较了一种人工智能算法，即肺癌预测卷积神经网络 (LCP-CNN) 与英国指南中推荐的布洛克大学模型的性能。方法回顾性地收集了英国三家医院偶然发现的 5-15 毫米肺结节数据集，用于验证研究。每个结节的真实诊断基于组织学（任何癌症都需要）、分辨率、稳定性或（仅适用于肺淋巴结）专家意见。1187 名患者中有 1397 个结节，其中 229 名（19.3%）患者中的 234 个结节为癌症。在预定义的分数阈值下比较了布洛克模型和 LCP-CNN 的模型判别力和性能统计数据。结果 LCP-CNN 的曲线下面积为 89.6%（95% CI 87.6 至 91.5），而 Brock 模型的曲线下面积为 86.8%（95% CI 84.3 至 89.1）（p≤0.005）。使用 LCP-CNN，我们发现 24.5% 的结节得分低于最低癌症结节评分，而使用 Brock 评分时这一比例为 10.9%。使用预定义的阈值，我们发现 LCP-CNN 给出了一个假阴性（0.4% 的癌症），而 Brock 模型给出了六个（2.5%），同时两个模型的特异性统计数据相似。结论与 Brock 模型相比，LCP-CNN 评分具有更好的辨别力，并且可以识别出更大比例的良性结节而不会遗漏癌症。这有可能大幅减少所需的监测 CT 扫描比例，从而节省大量资源。
炒作与希望：深度学习比标准机器学习能够编码更具预测性和稳健性的脑成像表征
摘要 深度学习 (DL) 方法在多个复杂任务上取得的成功大大提高了人们对其学习复杂脑成像数据的细微特性以及扩展到大型数据集的能力的期望。也许是为了应对这种膨胀，最近的批评性评论不利地将 DL 与用于分析脑成像数据的标准机器学习 (SML) 方法进行了比较。然而，他们的结论是基于预先设计的特征，这剥夺了 DL 的主要优势：表征学习。在这里，我们对此进行了评估，并展示了表征学习对于 DL 在脑成像数据上的表现的重要性。我们报告了在 12,314 张结构性 MRI 图像上进行的十向年龄和性别分类任务中对 SML 方法与 DL 进行大规模系统比较的结果。结果表明，如果按照流行的 DL 实践实施和训练 DL 方法，则与 SML 方法相比，DL 方法有大幅改进的潜力。我们还表明，尽管 DL 方法更复杂，但其扩展性特别好，在相对计算时间中呈现出较低的渐近复杂度。我们的分析表明，随着训练样本量的增长，性能改进会趋于饱和，但始终表现出显著更高的性能。我们还提供了证据，表明 DL 的卓越性能主要归功于出色的表示学习能力，并且 SML 方法在对经过训练的 DL 模型生成的表示进行操作时也可以表现得同样出色。最后，我们证明 DL 嵌入跨越了可理解的投影谱，并且 DL 始终定位有判别力的大脑生物标志物，这为预测相关性估计的稳健性提供了一个例子。我们的研究结果强调了大脑成像数据中存在非线性，DL 框架可以利用这些非线性来生成用于表征人脑的卓越预测表示，即使在当前可用的数据量下也是如此。
通过机器学习驱动的基因表达谱识别髓母细胞瘤的分子亚群
1 伊朗德黑兰国家遗传工程和生物技术研究所工业和环境生物技术研究所生物过程工程系 2 伊朗德黑兰大学科学学院生物技术系 3 法国巴黎巴黎萨克雷大学 4* 美国加利福尼亚州欧文市加利福尼亚大学神经病学系 92612 * 通讯作者：Babak Khorsand Khorsand.babak@uci.edu 美国加利福尼亚州欧文市加利福尼亚大学神经病学系 电话：949.678.8869 利益冲突：无 摘要背景：髓母细胞瘤 (MB) 是儿童中最常见的恶性脑肿瘤，其亚群之间具有显著的分子异质性。准确分类对于个性化治疗策略和预后评估至关重要。程序：本研究利用机器学习 (ML) 技术分析了 70 个儿童髓母细胞瘤样本的 RNA 测序数据。采用五种分类器——K 近邻 (KNN)、决策树 (DT)、支持向量机 (SVM)、随机森林 (RF) 和朴素贝叶斯 (NB)——根据基因表达谱预测分子亚群。特征选择确定了不同大小的基因子集（750、75 和 25 个基因），以优化分类准确性。结果：使用完整基因组进行的初步分析缺乏判别力。然而，减少的特征集显著提高了聚类和分类性能，尤其是对于第 3 组和第 4 组亚群。 RF、KNN 和 SVM 分类器始终优于 DT 和 NB 分类器，在许多情况下，尤其是在第 3 组和第 4 组中，分类准确率超过 90%。结论：本研究强调了 ML 算法在使用基因表达数据对髓母细胞瘤亚组进行分类方面的有效性。特征选择技术的整合大大提高了模型性能，为髓母细胞瘤管理中增强个性化方法铺平了道路。关键词：髓母细胞瘤、基因表达谱、机器学习、癌症病理学、儿科。缩写表