XiaoMi-AI文件搜索系统
World File Search System效用
评估低分辨率大脑成像的效用
由于低领域的MRI技术已被传播到世界各地的临床环境中，因此评估正确诊断和治疗给定疾病并评估机器学习算法的作用所需的图像质量，例如深度学习，在增强较低质量图像的增强中。在对正在进行的随机临床试验的事后分析中，我们评估了降低质量和深度学习增强图像的诊断效用，用于脑积水治疗计划。ct的感染后婴儿脑积水的图像因大脑和CSF之间的空间分辨率，噪声和对比度而降解，并使用深度学习算法增强了。将降解和增强的图像均呈现给三个经验丰富的儿科神经外科医生，这些神经外科医生习惯于在低至中收入国家（LMIC）工作，以评估用于脑力头脑的治疗计划中的临床实用性。此外，为了评估评估者的深度学习增强常规造成的重建误差是否可以接受。结果表明，大脑和CSF之间的图像分辨率和对比度与噪声比率预测图像的可能性被认为是对脑积水治疗计划有用的可能性。深度学习增强大大提高了对比度与噪声比率，从而提高了图像有用的明显可能性；但是，深度学习增强引入了结构性错误，从而造成了误导临床解释的重大风险。这些发现提倡新标准，以评估可接受的图像质量以供临床使用。我们发现，质量低于通常可以接受的图像对于脑积水治疗计划可能是有用的。此外，低质量的图像可能比通过深度学习增强的图像更可取，因为它们没有引入误导信息的风险，而这些信息可能会误导治疗决策。
审查灌溉信息从太空及其用户的效用
1个地质流水学研究所，国家研究委员会（CNR），麦当娜·阿尔塔（Madonna Alta）126，06128意大利佩鲁吉亚（Perugia）； sara.modanesi@irpi.cnr.it（S.M.）; jacopo.dari@unipg.it（J.D.）; angelica.tarpanelli@irpi.cnr.it（A.T。）; silvia.barbetta@irpi.cnr.it（S.B.）; luca.brocca@irpi.cnr.it（l.b。）2地球与环境科学系，库伊文（Ku Leuven），Celestijnenlaan 200E，3001鲁汶，比利时； Alexander.gruber@kuleuven.be（A.G.）; gabrielle.delannoy@kuleuven.be（G.J.M.D.L.）3佛罗伦萨大学民用与环境工程系（DICEA），通过DI S. Marta 3，50139意大利佛罗伦萨4号，佩鲁吉亚大学民用与环境工程系，Via G. Duranti 93，06125 Perugia，意大利佩鲁吉亚，意大利，意大利5号，环境科学与政策部5 94720-3114，美国； mgirotto@berkeley.edu 6 Observatori de l'eb，Ramon Llull大学，Carrer Horta Alta 38，43520 Roquetes，西班牙； pquintana@obsebre.es 7 Cesbio，CNES/CNRS/CNRS/INRAE/IRD/UPS，18大道Edouard Belin，Edouard Belin，CEDEX 9，31401 Toulouse Universiationédetoulex Univers; michel.le_page@ird.fr（M.L.P.）; lionel.jarlan@ird.fr（L.J.）; mehrez.zribi@ird.fr（M.Z。）; nadia.ouaadi@univ-tlse3.fr（n.o。）8 LMFE，科学学院Smlalia物理系，卡迪·阿亚亚德大学，马拉喀什4000，摩洛哥9，摩洛哥9号地球和地理知识系，TechnisscheUniversität维也纳（Tu Wien），WiednerHauptraße8-10，1040 Vienna，Outtia，Outhia，WiednerHauptstraße8-10，1040 Vienna; mariette.vreugdenhil@geo.tuwien.ac.at（M.V.）; luca.zappa@geo.tuwien.ac.at（L.Z.）; wouter.dorigo@geo.tuwien.ac.at（W.D.）;拖船。 brumbacher@eleaf.com（J.B。）; （H.P.）; Pauline.jaquot@eleaf.com（P.J.）11 Global，33 Zithe King，2763卢森堡，卢森堡；西班牙，1，弗拉斯卡蒂，00044罗马，意大利；他们（E.V.）; Diego.fernand@sa.int（D.F.P。）*正确：基督徒。
量化低分辨率脑成像的效用
由于低领域的MRI技术已被传播到临床环境中，因此重要的是要评估正确诊断和治疗给定疾病所需的图像质量。在对正在进行的随机临床试验的事后分析中，我们评估了降低质量和深度学习增强图像的诊断效用，用于脑积水治疗计划。图像因分辨率，噪声和大脑和CSF之间的对比而降低，并使用深度学习算法增强。将降解和增强的图像均呈现给三个经验丰富的儿科神经外科医生，习惯于在LMIC中工作，以评估脑积水治疗计划中的临床实用性。结果表明，大脑和CSF之间的图像分辨率和对比度与噪声比率预测了有用的脑积水治疗计划的可能性。对于具有128x128分辨率的图像，对比度为2.5的比率具有很高的有用可能性（91％，95％CI 73％至96％； P = 2E-16）。深度学习增强了128x128的图像，其对比度非常低（1.5）和有用的概率较低（23％，95％，95％CI 14％至36％； P = 2E-16）增加了有用的明显可能性的可能性，但会带来明显的有用的可能性，但带来了误导性的误解=误导的误解=误导=误导的误解（cn）的实质性风险（cn）的误解（cn）的误解（cn）的实质性=（cn）的误解（cn）的误解=误导（cn）的误解（cn）的误解（cn）=误导后的误解（cn）。 21％，95％CI 3％至32％；较低的质量图像通常被认为是临床医生可以接受的，这对于计划脑积水治疗可能很有用。使用低质量图像的深度学习增强时，我们发现了误导结构错误的重大风险。这些发现提倡新标准，以评估可接受的图像质量以供临床使用。
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。
合成数据与人工智能医疗设备的创新、评估和监管 Puja Myles，公共卫生硕士、博士；Johan Ordish，文学硕士；Richard Branson，理学硕士、文学硕士 摘要 合成数据是模仿真实数据的属性和关系的人工数据。它有望促进数据访问、验证和基准测试，解决缺失数据和欠采样、样本增强以及在临床试验中创建对照组的问题。英国药品和保健产品管理局 (MHRA) 正在利用其目前对高保真合成数据开发的研究，制定其对经过合成数据训练的人工智能医疗设备的监管立场，并将合成数据作为人工智能医疗设备验证和基准测试的工具。 关键词 人工智能作为医疗设备 (AIaMD)、数据隐私、健康数据、合成数据、验证、监管 简介 人工智能 (AI) 在医疗和社会保健领域的应用预计将会兴起，这意味着人工智能作为医疗设备 (AIaMD) 将成为医疗设备中越来越突出的子类别。 1 因此，医疗器械法规是否适合人工智能变得越来越重要，制造商是否了解并遵守其义务也变得越来越重要，其中最主要的是证明其 AIaMD 具有良好的效益风险比。2 强大的数据集是展示 AIaMD 性能的核心，通常是此类设备开发的主要障碍。3 医疗器械监管机构有责任确保制造商拥有履行这些义务所需的工具，并提供更广泛的支持以鼓励此类创新设备的开发。合成数据集的开发很可能成为这样一种辅助工具。本文概述了 MHRA 在研究和开发合成数据方面的努力，并考虑在更广泛的改革背景下使用合成数据，以确保医疗器械法规适用于人工智能。合成数据概况 近年来，人们对合成数据的兴趣日益浓厚，原因有很多，包括在数据治理法规更加严格的世界中可能易于获取、保护患者隐私、在机器学习算法背景下的基准测试和验证能力，以及解决真实数据局限性的能力，如数据缺失、欠采样和样本量小。4 更重要的是，尽管合成数据的潜在应用已经讨论了多年，但直到最近，合成数据生成方法的进步才能够产生高质量的合成数据。5 定义合成数据 从概念上讲，合成数据是模仿真实数据的属性和关系的人工数据。合成数据的质量取决于生成合成数据的方法。合成数据的质量通常用其“效用”或“保真度”来描述。“能够捕捉各种数据字段之间复杂的相互关系以及真实数据的统计特性的合成数据集可称为“高实用性”或“高保真度”合成数据集。在患者医疗保健数据方面，高保真度合成数据集将能够捕捉复杂的临床关系，并且在临床上与真实患者数据难以区分。高效用合成数据的生成往往需要大量资源，并且根据需要合成数据的应用，使用低效用或中等效用合成数据可能是可以接受的。
使用模拟中心评估人工智能驱动的临床决策支持系统对抑郁症治疗的感知效用 Myriam Tanguay-Sela* a、David Benrimoh* 1a、Christina Popescu a、Tamara Perez b、Colleen Rollins c、
Aifred 是一种临床决策支持系统 (CDSS)，它使用人工智能帮助医生选择重度抑郁症 (MDD) 的治疗方法，根据患者特征提供不同治疗方案的缓解概率。我们评估了参与模拟临床互动的医生对 CDSS 的实用性的看法。20 名精神病学和家庭医学工作人员和住院医生完成了一项研究，其中每位医生与标准化患者进行了三次 10 分钟的临床互动，这些患者表现出轻度、中度和重度 MDD 发作。在这些场景中，医生可以访问 CDSS，他们可以在治疗决策中使用它们。通过自我报告问卷、场景观察和访谈评估了 CDSS 的感知效用。60% 的医生认为 CDSS 是他们治疗选择过程中的有用工具，家庭医生认为其效用最大。此外，50% 的医生会将该工具用于所有抑郁症患者，另外 35% 的医生表示他们会将该工具留给病情更严重或难以治疗的患者。此外，临床医生发现该工具在与患者讨论治疗方案时很有用。必须在临床试验中进一步评估该 CDSS 的疗效及其改善治疗结果的潜力。
利用机器学习进行多模态 MRI 鉴别帕金森病和进行性核上性麻痹的效用
经典帕金森病 (PD) 和进行性核上性麻痹 (PSP)（尤其是理查森综合征 (PSP-RS)）的早期鉴别诊断通常受到症状特征重叠的限制，现有的临床评分或既定的诊断方法无法有效捕捉这些症状特征。在这种情况下，即使是运动障碍专家也报告了高达 24% 的失败率 ( 1 )。在临床实践中，PD 和 PSP-RS 的诊断主要基于临床检查，包括主要特征、对左旋多巴的反应以及统一 PD 评定量表 (UPDRS) ( 2 ) 等既定评分。然而，由于临床症状明显重叠且床边检查准确性不足，鉴别诊断通常具有挑战性，尤其是在疾病早期。准确的早期诊断与通过适当的药物管理、患者护理方案更好地管理疾病密切相关，并且可能显著改善疾病预后。此外，识别早期疾病表现可能带来更有针对性的药物疗法，并推动在这一领域开发更有效的药物疗法。在这方面，使用各种磁共振成像 (MRI) 模式，如 T1 加权 ( 3 , 4 )、T2 加权 ( 5 , 6 ) 和扩散张量 MRI (DTI) ( 7 , 8 ) 进行的分组研究显示，PD 和 PSP-RS 患者与健康对照 (HC) 受试者之间存在显著差异。这些差异表明区域脑容量、脑铁代谢和微结构脑组织退化发生了改变，所有这些都与 PD 和 PSP-RS 与 HC 受试者相比的神经退行性特征密切相关 ( 9 – 11 )。监督式机器学习技术能够识别高维数据中的复杂模式，而识别出的模式可用于对新的未知病例做出针对特定患者的预测 (12)。机器学习已成功用于解决各种精准医疗问题 (13)，多项研究尝试利用上述分组研究获得的特征对个体 PD 和 PSP-RS 患者进行分类 [例如 (14-16)]。然而，到目前为止，只有少数科学研究真正尝试利用多模态成像特征的力量来改善 PD 和 PSP-RS 患者的鉴别分类 [例如 (17、18)]。此外，与单模态成像信息相比，多模态成像的真正优势尚未详细探讨。因此，本研究旨在提出一个全面的端到端框架，使用 T1 加权、T2 加权和 DTI 数据集对 PD 患者、PSP-RS 患者和 HC 受试者进行分类，并评估使用单个单模态特征和多模态特征训练的最佳机器学习模型的准确性。
科罗拉多电力效用能源效率计划
在2010 - 19年期间，家庭和企业在2019年将其用电减少了41亿千瓦时。这两个公用事业的零售客户消耗的实际电力超过13％，相当于公用事业提供的560,000个典型家庭的用电。Xcel Energy超过了PUC每年在2010-19期间设定的节能目标，除2012年以外，其批准的DSM预算。
战争中的网络：评估军事网络作战的战略、战术和作战效用
本文旨在分析军事网络行动在战争或冲突环境中的效用和潜在的不适用性。为此，本研究分析了一小部分网络行动用于军事目的的案例。本文采用“三个战争层级”启发法，将网络行动分为战略、战役和战术三个层级，概述网络技术在每个层级上的效用。采用这种方法是因为先前的研究表明，网络的战略效用有限（Valeriano、Jensen 和 Maness 2018）；然而，对于其他战争层级来说，情况可能并非如此。因此，研究问题是：网络技术在战争中有什么好处？军事网络行动在冲突情况下有什么效用？存在哪些障碍？
人工智能公平性与效用的联合优化
如今，人工智能越来越多地被用于许多高风险决策应用中，其中公平性是一个重要问题。目前，已经有许多人工智能存在偏见并做出可疑和不公平决策的例子。人工智能研究界提出了许多方法来衡量和减轻不必要的偏见，但其中很少有方法涉及人类决策者的意见。我们认为，由于不同的公平标准有时无法同时满足，并且实现公平通常需要牺牲模型准确性等其他目标，因此，关键是要了解并遵守人类决策者关于如何在这些目标之间进行权衡的偏好。在本文中，我们提出了一个框架和一些示例方法来引出这些偏好并根据这些偏好优化人工智能模型。
人工智能公平性与效用的联合优化
如今，人工智能越来越多地被用于许多高风险决策应用中，其中公平性是一个重要问题。目前，已经有许多人工智能存在偏见并做出可疑和不公平决策的例子。人工智能研究界提出了许多方法来衡量和减轻不必要的偏见，但其中很少有方法涉及人类决策者的意见。我们认为，由于不同的公平标准有时无法同时满足，并且实现公平通常需要牺牲模型准确性等其他目标，因此，关键是要了解并遵守人类决策者关于如何在这些目标之间进行权衡的偏好。在本文中，我们提出了一个框架和一些示例方法来引出这些偏好并根据这些偏好优化人工智能模型。