XiaoMi-AI文件搜索系统
World File Search System外部测试
利用人工智能实现阿尔茨海默病的端到端语音检测和评估
摘要：目前尚无简单、广泛可用的阿尔茨海默病 (AD) 筛查方法，部分原因是 AD 的诊断很复杂，通常涉及昂贵且有时是侵入性测试，而这些测试在高度专业化的临床环境之外并不常见。在这里，我们开发了一个人工智能 (AI) 驱动的端到端系统，用于检测 AD 并直接从语音记录中预测其严重程度。我们系统的核心是预先训练的 data2vec 模型，这是第一个适用于语音、视觉和文本的高性能自监督算法。我们的模型在 ADReSSo（仅通过自发语音识别阿尔茨海默氏症痴呆症）数据集上进行了内部评估，该数据集包含描述 Cookie Theft 图片的受试者的语音记录，并在 DementiaBank 的测试数据集上进行了外部验证。AI 模型可以在保留和外部测试集上分别以平均曲线下面积 (AUC) 0.846 和 0.835 检测 AD。该模型经过了良好的校准（Hosmer-Lemeshow 拟合优度 p 值 = 0.9616）。此外，该模型可以仅根据原始语音记录可靠地预测受试者的认知测试分数。我们的研究证明了使用人工智能驱动的端到端模型直接基于语音进行早期 AD 诊断和严重程度预测的可行性，并展示了其在社区环境中筛查阿尔茨海默病的潜力。
托管Gige EN 50155 POE Switch
Viper-112-T3G-P8是一个托管12端口开关，其中包括3个GIGE铜连接，旨在满足铁路车辆市场的全部要求。Viper能够在8个端口中传递高达61.6 W的功率，该端口源自该设备的宽操作DC电压。Westermo Weos操作系统提供了一套广泛的IP网络标准套件，可以创建弹性和灵活的网络，并满足铁路市场的需求。对于所有安装在铁路车辆中的设备至关重要，毒蛇已经在EN 50155所需的完整标准范围内进行了外部测试。毒蛇的独特功能是输入直流电压和通过POE传递到连接设备的电源之间提供的电隔离。Westermo了解，EN 50155标准要求在铁路车上具有20年的使用寿命，因此除了使用最高质量的组件来提供扩展的MTBF图形外，我们还实现了诸如IP67封闭的Gore-Tex®膜之类的功能，以防止在单元中堆积水。由于铁路行业的高振动环境，我们还开发了M12连接器的整体螺纹，以确保为产品寿命维护IP67密封。EN 50155标准需要强制性的性能和隔离测试。Westermo不仅可以满足它们，而且我们超越了它们，以满足对火车控制的其他制造商要求。Westermo的瑞典工厂多年来一直在为铁路车市场建造以太网开关，并充分了解提供最高质量制造解决方案所需的措施。满足铁路车环境的要求，使毒蛇非常适合在任何具有严重操作条件和极端环境的应用中部署。
gl-icnn：端到端解释的卷积...
摘要 - 基于卷积神经网络（CNN）的深度学习方法显示，基于成像数据，基于成像数据的痴呆症的早期和准确诊断的早期和准确诊断都很大。但是，这些方法尚未在临床实践中被广泛采用，这可能是由于深度学习模型的解释性有限。可解释的提升机（EBM）是玻璃框模型，但无法直接从输入成像数据中学习功能。在这项研究中，我们提出了一个可解释的新型模型，该模型结合了CNN和EBM，以诊断和预测AD。我们制定了一种创新的培训策略，该策略将CNN组件作为功能提取器和EBM组件作为输出块而交替训练CNN组件，以形成端到端模型。该模型将成像数据作为输入，并提供预测和可解释的特征重要性度量。我们验证了有关阿尔茨海默氏病神经影像学计划（ADNI）数据集的拟议模型，以及Health-Ri Parelsnoer神经疾病生成疾病生物库（PND）作为外部测试集。所提出的模型以AD和对照分类为0.956的面积为0.956，预测轻度认知障碍（MCI）在ADNI队列上进行AD的预测为0.694。所提出的模型是与其他最先进的黑盒模型相当的玻璃盒模型。我们的代码可在以下网址提供：https：//anonymon.4open.science/r/gl-icnn。索引术语 - Alzheimer氏病，MRI，深度学习，转换神经网络，可解释的提升机器，明显的人工智能
将最新的U-NET模型概括为子...
摘要。对肿瘤分割模型的一个关键挑战是适应各种临床环境的能力，尤其是在应用于质量差的神经数据时。围绕这种适应性的不确定性源于缺乏代表性数据集，使最佳模型在整个撒哈拉以南非洲（SSA）中发现的MRI数据中发现的不符合外表的模型没有展示的模型。我们复制了一个框架，该框架确保了2022个小子中的第二位置，以调查数据集组成对Mod-el绩效的影响，并通过使用以下方式培训模型来追求四种不同的方法：仅Brats-Africa Data（Train_ssa，N = 60），N = 60），2）Brats-Adult Glioma DATATS（2）BRATS-ADULT GLIOMA DATATS（TRAIT_ DATAT）（Train_gli，N = 1251） n = 1311）和4）通过进一步培训使用BRATS-AFRICA数据（Train_FTSSA）的Train_GLI模型。值得注意的是，仅在较小的低质量数据集（Train_SSA）上进行培训就产生了低于标准的结果，并且仅在较大的高质量数据集（Train_Gli）上训练，在低质量验证集中努力努力划定Odematous Tissue。最有希望的AP-PRACH（TRAIN_FTSSA）涉及预先培训高质量神经图像的模型，然后在较小的低质量数据集中进行微调。这种方法超过了其他方法，在Miccai Brats非洲全球挑战外部测试阶段排名第二。这些发现强调了较大的样品大小的重要性，并在改善分割性能中广泛接触了数据。此外，我们证明了通过在本地使用更广泛的数据范围对这些模型进行微调来改善此类模型的潜力。
在外部验证中，MRI 放射组学预测脑转移瘤原发性肿瘤组织学的能力有限
摘要背景。越来越多的研究表明，使用从成像数据中提取的放射组学特征可以预测各种恶性肿瘤的组织学或遗传信息。本研究旨在通过内部和外部验证来研究基于 MRI 的放射组学在预测脑转移瘤原发性肿瘤中的作用，并使用过采样技术来解决类别不平衡问题。方法。这项经 IRB 批准的回顾性多中心研究包括肺癌、黑色素瘤、乳腺癌、结直肠癌和其他原发性实体的组合异质组（5 类分类）的脑转移瘤。2003 年至 2021 年期间从 231 名患者（545 个转移瘤）获取了本地数据。分别对来自公开的斯坦福 BrainMetShare 和加州大学旧金山分校脑转移瘤立体定向放射外科数据集的 82 名患者（280 个转移瘤）和 258 名患者（809 个转移瘤）进行了外部验证。预处理包括脑提取、偏差校正、配准、强度归一化和半手动二元肿瘤分割。从每个序列（8 次分解）的 T1w（± 对比度）、液体衰减反转恢复 (FLAIR) 和小波变换中提取了 2528 个放射组学特征。使用原始数据和过采样数据的选定特征训练随机森林分类器（5 倍交叉验证），并使用准确度、精确度、召回率、F1 分数和受试者工作特征曲线下面积 (AUC) 在内部/外部保留测试集上进行评估。结果。过采样并没有改善内部和外部测试集上整体不令人满意的性能。不正确的数据分区（训练/验证/测试分割之前的过采样）会导致对模型性能的严重高估。结论。应严格评估放射组学模型从成像中预测组织学或基因组数据的能力；外部验证至关重要。
探索表征和迁移学习在解剖神经成像中的潜力：在精神病学中的应用
脑部疾病个性化医疗的前景需要有效的学习模型，以便基于解剖神经影像学预测临床状况。现在，人们一致认为深度学习 (DL) 有助于解决许多医学成像任务，例如图像分割。然而，对于单一主题预测问题，最近的研究在将 DL 与基于经典特征提取的标准机器学习 (SML) 进行比较时得出了矛盾的结果。大多数现有的比较研究仅限于预测性别和年龄等临床意义不大的表型，并且使用单一数据集。此外，他们对所采用的图像预处理和特征选择策略进行了有限的分析。本文广泛比较了 DL 和 SML 对五个多站点问题的预测能力，包括三个日益复杂的精神病学临床应用，即精神分裂症、躁郁症和自闭症谱系障碍 (ASD) 诊断。为了弥补这些临床数据集上神经影像数据的相对稀缺性，我们还评估了三种从一般健康人群的脑成像中进行迁移学习的预训练策略：自监督学习、生成建模和随年龄的监督学习。总体而言，我们发现随机初始化的 DL 和 SML 在三个临床任务中的表现相似，并且在性别预测方面具有相似的扩展趋势。这在外部数据集上得到了复制。我们还展示了所有问题中 DL 和线性 ML 模型之间高度相关的判别大脑区域。尽管如此，我们证明，在大型健康人群成像数据集（N ≈ 10k）上进行自监督预训练，以及 Deep Ensemble，使 DL 能够学习到稳健且可迁移到小规模临床数据集（N ≤ 1k）的表示。在内部和外部测试集中，它在 3 个临床任务中的 2 个上都大大优于 SML。这些发现表明，DL 在解剖神经影像学方面相对于 SML 的改进主要来自于它学习有意义且有用的大脑解剖抽象表征的能力，并且它揭示了迁移学习在精神病学个性化医疗中的潜力。
附件 II 符合第 145 部分的可接受方法
附件 II 符合第 145 部分 A 节技术要求的可接受方法 AMC 145.A.10 范围 1。航线维护应理解为在飞行前进行的任何维护，以确保飞机适合预定的飞行。(a) 航线维护可能包括：� 故障排除。� 缺陷纠正。� 如果需要，使用外部测试设备更换组件。组件更换可能包括发动机和螺旋桨等组件。� 定期维护和/或检查，包括目视检查，可发现明显不令人满意的情况/差异，但不需要进行广泛的深入检查。它还可能包括可通过快速打开的检修面板/门看到的内部结构、系统和动力装置项目。� 不需要大量拆卸，可通过简单方法完成的小修小补。(b) 对于临时或偶尔的情况（AD、SB），质量经理可以接受由航线维护组织执行的基地维护任务，前提是满足主管当局定义的所有要求。(c) 不属于这些标准的维护任务被视为基地维护。(d) 应根据本段单独评估按照“渐进式”计划维护的飞机。原则上，允许进行某些“渐进式”检查的决定应由评估结果决定，即特定检查中的所有任务都可以在指定的航线维护站按照要求的标准安全地进行。2.如果一个组织根据 145.A.10 被批准为位于成员国境内的组织，则意味着 145.A.30 (a) 和 (b) 中规定的管理层应位于成员国境内。如果管理层位于多个成员国，则应由负责经理所在国家的主管当局授予批准。3.如果组织在成员国境内和境外都使用设施，例如卫星设施、分包商、线路站等，则此类设施可能包含在批准中，而无需在批准证书上注明，但维护组织必须说明设施的名称并包含控制此类设施的程序，并且主管当局确信它们是经批准的维护组织的组成部分。
MRI 或 18F-FDG PET 用于脑年龄差距评估
大脑年龄与实际年龄的偏差，即所谓的大脑年龄差距 (BAG)，与阿尔茨海默病 (AD) 等神经退行性疾病有关。在这里，我们比较了 MRI 衍生的（萎缩）或 18 F-FDG PET 衍生的（大脑代谢）BAG 与认知正常个体 (CN) 和主观认知衰退 (SCD) 或轻度认知障碍 (MCI) 个体的认知表现、神经病理学负担和疾病进展之间的关联。方法：训练机器学习管道从阿尔茨海默病神经影像学计划的 185 张匹配的 T1 加权 MRI 或 18 F-FDG PET CN 扫描中估计大脑年龄，并在来自影像开放获取和德国神经退行性疾病中心 - 纵向认知障碍和痴呆研究的外部测试集中进行验证。 BAG 与 CN、SCD 受试者和 MCI 受试者的认知能力和 AD 神经病理学指标相关。最后，比较认知稳定和衰退个体的 BAG，随后用于预测疾病进展。结果：MRI（平均绝对误差，2.49 岁）和 18 F-FDG PET（平均绝对误差，2.60 岁）均能很好地估计年龄。在 SCD 阶段，基于 MRI 的 BAG 与脑脊液中的 β-淀粉样蛋白 1-42 (A b 1-42 ) 显着相关，而 18 F-FDG PET BAG 与记忆能力相关。在 MCI 阶段，两种 BAG 均与记忆和执行功能表现以及脑脊液 A b 1-42 相关，但只有 MRI 衍生的 BAG 与磷酸化 tau 181 /A b 1-42 相关。最后，MRI 估计的 BAG 比 18 F-FDG PET 估计的 BAG 更能预测 MCI 到 AD 的进展（曲线下面积分别为 0.73 和 0.60）。结论：可以通过 MRI 或 18 F-FDG PET 可靠地估计年龄。MRI BAG 反映 SCD 和 MCI 中的 AD 认知和病理标志物，而 18 F-FDG PET BAG 主要对早期认知障碍敏感，可能构成大脑年龄相关变化的独立生物标志物。
使用自动化机器学习平台
目标。自动化机器学习（AUTOML）平台使医疗保健专业人员可以根据科学或临床需求在机器学习（ML）算法的开发（ML）算法中发挥积极作用。这项研究的目的是开发和评估这种模型的自动检测和远端手动关节炎（OA）的分级。方法。收集了来自瑞士质量管理（SCQM）中2,863名患者的13,690张手部X光片，并使用Modiie Ed Ed Kellgren/Lawrence（K/Lawrence（K/Lawrence）（K/Lawrence（K/Lawrence）（K/Lawrence（K/Lawrence），收集了346例非SCQM患者的外部控制数据集并为远端的脑臂式OA（DIP-OA）进行评分。giotto（学习预测[L2F]）被用作训练两个卷积神经网络的自动平台，根据K/L分数进行倾斜关节提取和随后的分类。总共提取了48,892个浸入关节，然后用于训练分类模型。热图独立于平台。风湿病学家和放射科医生研究了Web应用程序作为临时用户界面的用户体验。结果。该模型检测DIP-OA的敏感性和特异性分别为79％和86％。对正确的K/L评分进行评分的精度为75％，κ评分为0.76。每个DIP-OA类别的准确性不同，没有OA为86％（定义为K/L得分为0和1），K/L分数为2，46％的K/L分数为71％，k/L得分为3，K/L得分为67％，K/L得分为4。在独立的外部测试集中获得了相似的值。相反，放射科医生表达的需求很低，除了使用热图。对Web应用程序的定性和定量用户体验测试显示，风湿病学家对自动化DIP-OA评分的需求中等至高。结论。汽车平台是开发临床端到端ML算法的机会。在这里，自动射线照相DIP-OA检测既可行又可用，而在单个K/L分数（例如，对于临床试验）中的评分仍然具有挑战性。
使用基于感知损失的卷积神经网络
目的：这项研究旨在开发一种新的卷积神经网络深度学习（DL）技术，用于从计算机上进行自动化的脑组织分割（CT）扫描，并与磁共振成像（MRI）分割相比评估其性能。材料和方法：这项多中心回顾性研究收集了来自两个机构的199个健康个体的配对CT和MRI数据。将数据分为一个训练集（n = 100）和一个机构的内部测试集（n = 50），其中第二个机构的附加数据集（n = 49）用于外部验证。灰质（GM），白质（WM）和脑脊液（CSF）的地面真相面膜是从T1加权MR图像中赋予的。为三个大脑区域中的每个区域中的每个区域训练了基于U-NET的DL模型，并根据VGG19计算了感知损失。通过计算连续骰子系数（CDICE），联合会（IOU）和第95个百分位数Hausdorff距离（HD95）来评估模型性能。使用定位系数（R 2），类内相关系数（ICC）和Bland-Altman分析，将基于CT的分割的体积估计与MRI衍生体积进行了比较。结果：接受感知损失的DL网络与未经感知损失的训练相比，表现出色。体积分析表明，在内部/外部测试中，GM和WM分别为r 2 = 0.83/0.90和0.85/0.87之间的MRI衍生地面真相与基于CT的分割之间的一致性是r 2 = 0.83/0.90和0.85/0.87，而ICC = 0.91/0.94和0.92/0.93。在内部测试中，评估得分（没有感知损失与感知损失）为：CDICE = 0.717 vs. 0.765，HD95 = 6.641 mm，gm中的6.641 mm vs. 6.314 mm； CDICE = 0.730 vs. 0.767和HD95 = 5.841毫米，而Wm为5.644 mm； CDICE = 0.600 vs. 0.630和HD95 = 5.641毫米，而CSF中的5.362 mm，分别是分数。结论：提出的DL方法随着感知损失而增强，可改善CT图像的脑部分割。这种方法显示了有望作为基于MRI的分割的一种替代方法。