XiaoMi-AI文件搜索系统
World File Search System床中
神经放射学人工智能在医学和临床中的伦理考量和公平性
摘要：本综述从定性和数学角度定义了算法偏见和公平性的概念。给出了算法开发中出现意外偏见或不公平时可能出现的问题的说明性示例。讨论了可解释性、可问责性和透明度对于人工智能算法开发和临床部署的重要性。这些都基于“primum no nocere”（首先，不伤害）的概念。提供了减轻任务定义、数据收集、模型定义、训练、测试、部署和反馈中的不公平和偏见的步骤。我们将讨论如何实施公平标准，以最大限度地提高效益并最大限度地减少对神经放射学患者的不公平和伤害，包括当人工智能算法被神经放射学实践接受并纳入常规临床工作流程时，神经放射学家应考虑的建议。
太阳能驱动的钙环在流化床中用于热化学能量存储
集中太阳能（CSP）和钙环（CAL）之间的整合正在考虑在可再生能源的大股份的角度考虑，以平滑不可匹配的能量输入的可变性。这项研究的范围是通过在适用于CAL-CSP集成的现实过程条件下在流化床中进行专门的实验运动来研究热化学能量储存（TCE）的CAL过程。通过测量沿迭代的钙化/碳化循环的Ca碳化程度，已经评估了基于石灰石的吸附剂的化学失活，这与转换选定阶段的物理化学炭化相关。经过审查的特性是层粒子的分布，块状密度以及床固体的粒径，密度和孔隙率。也评估了能源储能密度的可达到的值。实验运动的一个了不起的发现是在与二氧化硅砂一起加工时，石灰石的显着停用了。在过程温度下，CAO与二氧化硅砂成分的化学相互作用已被仔细检查，以造成反应性CAO对CO 2摄取的损失。颗粒密度数据的后处理以及N 2入口的孔隙法分析以及定量和定性XRD分析，这表明沙/石灰相互作用可促进总和反应性吸附的孔隙率的强烈降低，而反应性则是反应性的。基于密度的分类，用于评估碳化步骤后分离和未转化的石灰石颗粒，以提高过程效率的目的，通过避免通过工厂的未反应颗粒的流循环流循环。为此，在相关过程温度下每个反应步骤后，已经测量了钙化颗粒和碳酸颗粒的最小流体速度。
临床中发现的微生物
C. Condusum C. Coyleae C. Diphtheria C. falsenii C. Flavescens C. Freiburgense C. Freneyi C. Genitalium C. Glucuronolotilticmicum C.谷氨酰胺C. Hansenii C. Hansenii C. Imitans C. imitans C. jeikeium C. kroppenstiiii c. kroppenstedtiii c. c. lipoplien c. lipoplienc Uchotii C. Minute C. mucifaciens C. Mycetoides C. Pilbarense C. Pseudodiphthericum C. Pseudogenital C. Pseudogenital C. PseudogenieniTris C. pyruviciproducens C. Resistant C. Riegelii C. segmentosum C. Simulating C. singular C. station C. striped C. Suicordis C. Sundsvallense C. tuzsenii C. Timonense C. Tuscaniense C.溃疡C.尿素C.尿素尿素C.变量C. viterumeruminis C.疾病 div>
人工智能（AI）在临床中的应用
摘要 人工智能 (AI) 和机器学习 (ML) 技术在医学研究中占据着重要的地位，因为它可以实现更早、更准确的诊断。然而，尽管许多人认为人工智能是一种充满希望和希望的技术，可以实现更早、更准确的诊断，但医院对人工智能和机器学习技术的接受度仍然很低。造成这种情况的主要原因是这些技术缺乏透明度，尤其是认知透明度，这导致人工智能扰乱或困扰临床环境中既定的知识实践。在本文中，我们描述了一个用于临床环境的人工智能应用程序的开发过程。我们展示了人工智能开发人员与临床医生和生物医学科学家如何密切合作，协商和共同产生认知透明度，从而形成人工智能被接受为认知操作符的环境。本文借鉴与合作研究人员合作开发用于罕见呼吸系统疾病（肺动脉高压/PH）早期诊断的人工智能技术的定性研究，探讨了如何将临床医生和临床科学家纳入人工智能开发人员的协作实践中，以消除透明度的困扰。我们的研究表明，在与 PH 相关的 AI 开发的三个维度上，如何消除令人不安的透明度：查询数据集、构建软件和训练模型。密切合作产生了一种既具有社会性又具有技术性的 AI 应用程序：它整合并铭刻了不同参与者在开发过程中的知识过程。我们认为将这些应用程序称为“人工智能”是一种错误的说法，如果将它们重新定义为社会技术智能的形式，它们将得到更好的开发和实施。
已发布版本的引文 (APA)：Braun, M., Hummel, P., Beck, S., & Dabrock, P. (2021)。临床中基于人工智能的决策支持系统的伦理入门。《医学伦理学杂志》，47(12)，第 E3 条。https://doi.org/10.1136/medethics-2019- 105860
摘要 在极其复杂和困难的过程和情况下做出正确的决策一直是一项关键任务，也是临床上的一项挑战，并导致了大量的临床、法律和道德惯例、协议和反思，以保证临床决策的公平、参与和最新途径。然而，过程和物理现象的复杂性、时间和经济限制，以及医学和医疗保健领域的进一步努力和成就，不断提高了评估和改进临床决策的必要性。本文探讨了所谓的人工智能驱动的决策支持系统 (AI-DSS) 的兴起是否以及如何挑战临床决策过程。首先，本文分析了 AI-DSS 的兴起将如何影响和改变临床中不同代理之间的交互模式。第二步，我们指出这些不断变化的互动模式也意味着信任条件的变化、透明度方面的认知挑战、代理的基本规范概念及其在具体部署环境中的嵌入，以及最终对（可能的）责任归属的影响。第三，我们得出关于临床 AI-DSS 的“有意义的人为控制”的进一步步骤的初步结论。
预测模型和人工智能在临床中的应用
在过去的十年中，人工智能 (AI) 和放射组学等数据科学技术在放射学研究中强势崛起。放射组学是指从医学图像中（自动）提取大量定量特征 [1]。典型的放射组学工作流程涉及图像采集和分割以及特征提取和优先级排序/缩减，为其最终目标做准备，即预测建模 [2]。在这最后一步，放射组学和人工智能通常交织在一起，建立互利共生关系。近年来，医学成像领域关于放射组学和人工智能应用的出版物数量不断增加，方法也日益完善 [3,4]。最佳实践白皮书的制定和预测建模出版物质量标准（如 TRIPODS [5] 或 CLAIM [6] 标准）大大促进了这种定性收益。因此，在最近的出版物中越来越多地观察到提高预测模型普遍性的相关方法学方法，例如，准确组成具有代表性和无偏数据集，避免数据泄露，结合（嵌套）交叉验证方法进行模型开发，特别是在小数据集上，或使用独立的外部测试样本。在这方面，Song 等人 [7] 在最新一期的《欧洲放射学》上发表的关于预测颅内出血功能结果的临床放射组学列线图的工作只是一般趋势的一个例子。然而，与预测模型在医学成像研究中的利用率和重要性的提高相比，这些技术尚未在临床
评论文章 基因编辑和 CRISPR 在临床中的应用：当前和未来的前景
基因组编辑技术，特别是基于锌指核酸酶 (ZFN)、转录激活因子样效应核酸酶 (TALEN) 和 CRISPR（成簇的规律间隔的短回文重复 DNA 序列）/Cas9 的技术，正在迅速进入临床试验。迄今为止，CRISPR 的大多数临床应用都集中在体外对细胞进行基因编辑，然后将其重新引入患者体内。体外编辑方法对许多疾病状态都非常有效，包括癌症和镰状细胞病，但理想情况下，基因组编辑也应用于需要体内细胞改造的疾病。但是，CRISPR 技术的体内使用可能会因脱靶编辑、低效或脱靶递送以及刺激适得其反的免疫反应等问题而受到阻碍。当前针对这些问题的研究可能为 CRISPR 在临床领域的应用提供新的机会。在这篇综述中，我们研究了 ZFN、TALEN 和基于 CRISPR 的基因组编辑的临床试验的现状和科学基础、CRISPR 在人类中使用已知的局限性，以及快速发展的 CRISPR 工程领域，这些为进一步转化为临床应用奠定基础。