XiaoMi-AI文件搜索系统
World File Search System头部形状
人工智能在诊断和管理非综合征性颅缝早闭中的应用：全面回顾
颅缝早闭是指颅缝过早融合，从而改变骨骼生长并导致头部形状异常 [1] 。流行病学研究表明，颅缝早闭的发病率约为每 1,700 个活产婴儿中 1 个 [1] 。颅缝早闭可分为综合征型或非综合征型，后者占大多数病例 [2] 。虽然颅缝早闭的病因尚未完全阐明，但存在几种假设。一些研究将母体因素（例如双角子宫导致宫内受限或妊娠期间使用丙戊酸钠）与颅缝早闭风险增加联系起来 [2] 。最近，已发现几种与颅缝早闭有关的基因突变。这些包括成纤维细胞生长因子受体 (FGFR) 和 TWIST 基因，主要以常染色体显性模式遗传；然而，这些基因在非综合征性颅缝早闭中偶尔出现 [2] 。融合缝处的骨骼生长改变和未受影响缝处的补偿性生长导致头部形状异常 [3] 。每个缝线受累都会导致不同的头部形状，因此颅缝早闭是一种临床诊断。然而，带有 3D 重建的 CT 扫描是黄金标准，因为它可以可视化任何融合缝线和任何明显的脑结构异常 [2] 。然后可以通过 MRI 进一步评估这些。可以为家庭提供基因检测，以更好地规划任何后续孩子 [4] 。
多管罐回收烟囱排烟热量的实验研究：改变封头形状的影响
本文介绍了一种利用烟囱废气加热水的热回收系统 (HRS)。本文通过实验手段对 Khaled 等人提出的一种名为“多管罐”的废热回收系统进行了优化。文中详细描述了该系统的设计，并进行了组装和测试。为了研究改变头部形状对系统性能的影响，本文构建了两个不同的头部：一个圆柱形 (Cyl) 和一个锥形 (Con)。结果表明，锥形头部 (ConH) 的性能优于圆柱形头部 (CylH)。具体来说，在 275 分钟内，CylH 系统可将水温升高到最高 59 ◦ C，而 ConH 系统可将水温升高到 68 ◦ C。此外，在 400 分钟内，ConH 系统可将水温升高到 80 ◦ C。此外，经济和环境分析表明，当系统每月使用 140 次，每次 275 分钟时，ConH 系统可比 CylH 系统每月节省约 16 美元。此外，ConH 系统的投资回收期约为 CylH 系统的一半（6 个月）。最后，当系统每月使用 140 次时，ConH 系统可比 CylH 系统每年减少 2 吨二氧化碳排放。
蛇类物种的形态学和分子鉴定...
摘要 蛇类是一种独特的渔业产品，因为目测很难区分。只有准确鉴别，才能有效地保护它们。本研究旨在确定来自印度尼西亚巴纽旺宜和沙特阿拉伯吉赞的蛇类的形态和分子特征。形态学鉴定采用计数和形态测量分析，分子鉴定采用 COI 基因分析。本研究中采用形态学分析来识别蛇类，例如 S. tumbil（沙特阿拉伯吉赞）和 S. micropectoralis（印度尼西亚巴纽旺宜）。S. tumbil 在侧线和上尾鳍上没有深褐色斑点，而 S. micropectoralis 在这些部位有 6–9 个斑点。S. tumbil 体型较大，肠道为白色，背鳍棘更多，胸鳍可延伸至腹鳍。而 S. micropectoralis 则不同，它的体型较小，肠道呈黑色，背鳍棘少，胸鳍距离腹鳍较远。分子鉴定显示，来自 Jizan 的样品 100% 为 S. tumbil，来自 Banyuwangi 的样品 99.84% 为 S. micropectoralis。形态学和分子特征可结合起来进行蛇类鉴定，以避免在今后的研究中出现错误鉴定。关键词：爪哇海，分子，形态学，蛇类，红海引言蛇类是除了 Harpadon、Synodus 和 Trachinocephalus 之外的 Synodontidae 科的一个属[1]。这种鱼可以在印度-西太平洋大陆架找到[2]。蛇类身体形态细长圆形，头部形状像蜥蜴[3–4]。由于价格便宜、味道好，蛇鲹被广泛食用[5]。即使在伊朗或马来西亚等其他国家，蛇鲹也被制成鱼糜食用[6]。蛇鲹不仅可用于食用，还可用于食品和制药行业[7]。与保护相关的研究对于了解蛇鲹的生物多样性和保护它们免受人类活动的威胁非常重要。在沙特阿拉伯，过去二十年里，红海沿岸水域的蛇鲹年均捕捞量为 172.45±31.6 吨，并开始出现过度开发
羊毛生产中的人工智能
通过人工智能 (AI) 从大规模数字化数据集中提取信息在规模和变化速度上都是前所未有的。新的数据捕获源包括数字成像、GPS 定位和移动、高分辨率生物标记和生物传感器、实时自动捕获市场和环境数据。澳大利亚羊毛行业是评估此类新表型对盈利能力和先进农业系统影响的理想选择。该项目对人工智能（尤其是深度学习）的实用性进行了初步评估，以准确预测图像、生物标记和动物传感器输出的性能结果。我们开发了一种半自动化系统，该系统能够在田间/院子条件下拍摄高分辨率图像并将其链接到动物电子识别 (EID)。该系统还允许半自动记录体重。使用该系统，我们使用 4 个摄像机角度（即正面、顶部和背面）从 4072 只绵羊创建了 1,482,041 幅图像的图像库。所有绵羊在拍摄图像时都称重，并根据面部覆盖（1-5）、颈部皱纹（1-5）和身体皱纹（1-5）进行主观评分，并识别为 EID。使用图像子集，我们将数字信息应用于深度学习分析管道，特别是使用卷积神经网络 (CNN) 分析。使用 Keras (https://keras.rstudio.com) 和 Tensorflow (https://www.tensorflow.org) 开发模型。将数据细分为训练集、评估集和独立测试集，以预测 AI 预测相应表型的能力。使用侧面和顶部摄像头，预测算法可以分别以 86% 和 87% 的准确率预测体重，并且没有偏差。顶部和侧面摄像头的信息相结合，准确率为 89%。对于面部识别，AI 经过训练可以检测每只羊的头部形状和身体形状，只要羊来自相同的训练和测试集，准确率为 99%。使用每只羊的面部和身体图像的随机子集，AI 算法可以以 94% 和 98% 的准确率将匿名面部和身体图像与羊 EID 匹配，当同时使用面部和身体信息时，准确率为 99.7%。但是，当 5 个月后测试同一只羊的图像时，准确率会大大降低（<10%），除非两个时间点的图像都包含在训练数据集中（准确率提高到 90-98%）。使用皱纹评分的全量表（1-5）预测准确率较低，为 38%-58%。这表明，在面部识别的初始训练中，需要从同一只羊那里获取非常大的数据集，并随着时间的推移不断重复，以检测每只羊独特的生物特征。一旦建立了这样的初始训练数据集，面部识别就可以应用于新的人群。对于颈部和身体皱纹，AI 管道能够将动物分配到高皱纹或低皱纹类别，准确率为 73%-90%，具体取决于预测的相机角度和皱纹特征。AI 预测与手动评分的准确率相匹配，高和低皱纹评分的准确率为 98%-99%，扩展的 1-5 级皱纹评分的准确率为 57%-60%。对于面部遮盖评分，在 2 和 3 之间划分的初始分类器显示的结果略好于随机结果。这在很大程度上取决于种群中面部遮盖数据的分布，其中 87% 的动物被分配到中心类别，不到 1% 的动物属于极端类别。这没有为 AI 算法的训练和验证提供任何能力。为了测试 AI 在描述面部遮盖分数方面的实用性，ML 分类器经过训练可以区分面部遮盖分数 2 和 4。当从图像中裁剪出多个区域时，分类器的预测能力得到证明，准确率为 87%。使用更平衡的数据集，其中每个面部遮盖分数都得到同等代表，很可能区分所有 5 个面部遮盖分数。对生物传感器和生物标记技术的范围及其与深度学习 AI 技术相结合时对绵羊产业定义表型的可能效用进行了审查。全球在该领域的投资成果可能会转移到绵羊产业，并将加速数字化数据量的涌现，其中大多数数据都适合人工智能和深度学习管道。在生物传感器领域，动物加速度计和地理定位设备最有前景。在生物标记领域，基因组学被认为具有最大的潜在直接优势，因为样本可以在早期采集，不受生理状态的影响，并且可以从单个样本中为几乎所有性状提供表型和遗传预测值。大规模蛋白质组学（包括免疫学）和代谢组学研究都具有广阔的未来，因为它们与生理（生产/疾病）状态密切相关，并且适合通过人工智能进行大规模分析，并且可能为复杂性状提供低成本的表型分析，尤其是与动物生物传感器结合时。