XiaoMi-AI文件搜索系统
World File Search System智能算法
人工智能算法如何控制你的入门指南
算法是“告诉计算机做什么的一系列指令”（Domingos，2015，第 1 页）。AI 经常使用算法。算法会在线向您推荐内容，并对大量信息进行分类，以提高计算机处理效率。单独检查算法的结构，它就像势能，既不是天生的好也不是坏，只是在等待行动。在实践中检查 - 类比的动能方面 - 算法是一个庞大而复杂的信息系统的一部分，当权者可以使用它们来说服、宣传特定观点、传播错误信息和操纵。算法很有用，尤其是从效率的角度来看，并且可以促进善（仁慈）。这篇评论不是反人工智能的。就我个人而言，我是一个人工智能乐观主义者。然而，在乐观与承认潜在陷阱之间取得平衡很重要，因为人工智能的不完善意味着存在危险。在最好的情况下，人工智能是一个前所未有的问题解决者。在最坏的情况下，人工智能是一种生存威胁。介于两者之间，但在负面方面，是可能伤害您的人工智能算法。
使用人工智能算法检测脑肿瘤
海得拉巴，特伦甘纳邦，印度 摘要：在人体中，最重要和最复杂的器官与大脑中的数十亿个细胞一起工作。大脑周围细胞的异常生长或不受控制的分裂会导致脑瘤。这组细胞会影响大脑的功能，也会破坏人体细胞。在过去，检测脑瘤比现在困难得多。现代计算机视觉技术的使用使检测更加准确和容易。在本文中，首先使用 K 最近邻 (KNN) 机器学习 (ML) 模型检测脑中的肿瘤，该模型将症状归类为脑瘤，然后使用磁共振图像 (MRI) 扫描进行进一步确认。KNN 模型的准确率为 97%，而本文使用的卷积神经网络 (CNN) 模型的准确率为 99%。索引术语 - K 最近邻、卷积神经网络、症状、脑瘤。
自动化人工智能算法的独立外部验证
通讯作者：Christoph Lee，医学博士，理学硕士，825 Eastlake Avenue East，G2-600，西雅图，华盛顿州 98109，电话：206-606-6783；stophlee@uw.edu，@christophleemd。#AWA 和 MLM 作为共同第一作者对这项工作做出了同等贡献。ICMJE 声明：对工作的构思或设计做出重大贡献：所有作者。工作数据的获取、分析或解释：所有作者。手稿起草：CIL，AWA。对手稿进行批判性修改以获取重要的知识内容：所有作者。领导角色：所有作者报告均受雇于非营利机构。Lee 博士是华盛顿大学西北筛查和癌症结果研究企业主任和 JACR 副主编。Houssami 博士是悉尼大学乳腺癌预防 NBCF 主席和 The Breast 的联合编辑。 Elmore 博士是加州大学洛杉矶分校国家临床学者项目主任，也是 Up-To-Date 杂志《成人初级保健》的主编。Buist 博士是 Kaiser Permanente 华盛顿健康研究所的研究和战略伙伴关系主任。Hofvind 博士是挪威癌症登记处乳腺癌筛查部门的负责人。
基于人工智能算法的脑肿瘤计算机辅助诊断系统
治疗选择和预后评估取决于脑肿瘤的早期准确诊断。由于临床实践中手动评估磁共振成像 (MRI) 图像的挑战，许多脑肿瘤未被诊断或被临床医生忽视。在这项研究中，我们基于人工智能算法构建了一个用于神经胶质瘤检测、分级、分割和知识发现的计算机辅助诊断 (CAD) 系统。神经图像具体使用一种称为梯度直方图 (HOG) 的视觉特征来表示。然后，通过两级分类框架，使用 HOG 特征来区分健康对照和患者，或不同等级的神经胶质瘤。该 CAD 系统还使用半自动分割工具提供肿瘤可视化，以便更好地管理患者和监测治疗。最后，创建一个知识库，为脑肿瘤的诊断提供额外的建议。基于我们提出的两级分类框架，我们训练了神经胶质瘤检测和分级模型，分别实现了 0.921 和 0.806 的曲线下面积 (AUC)。与其他系统不同，我们将这些诊断工具与基于Web的界面集成在一起，为系统部署提供了灵活性。
1.5mw倍增管多目标优化及智能算法研究
这项荟萃分析证明了将人工智能算法与传统设计方法相结合对优化 1.5MW DFIG 风力涡轮机叶片的有效性。该研究成功解决了风力涡轮机设计中涉及多个相互竞争的目标的复杂问题，例如空气动力学效率、结构完整性和经济可行性。借助先进的优化算法，特别是灰狼优化方法，设计结果和计算效率得到了显著改善。优化后的叶片设计重量减轻了 8%，同时提高了结构耐久性和空气动力学性能。组合叶片设计的功率系数增加到 0.27，表明风力涡轮机的效率有可能提高，尤其是在低风速范围内，任何效率的提高都对整体能量捕获至关重要。
人工智能算法在海洋科学研究中的作用
海洋科学研究对人类的生存和发展至关重要。一方面，海洋充当全球气候调节器，向大气供应70%的氧气和87.5%的水蒸气，同时储存大量的热量（Petterson等，2021）。另一方面，海洋是全球物理系统的重要组成部分，其中质能、生物和地质过程的变化会对海洋和陆地生物产生重大影响（Du等，2021）。然而，由于缺乏对深海和极地等重要区域的了解，人类尚无法破译海洋中某些特定的现象和模式。人工智能（AI）算法使用大量统计数据对具有特定结构的数学模型进行训练，以获得包含训练数据中固有统计特征的过滤器。它可以应用于解决优化问题。因此，AI算法在许多科学领域都取得了巨大的成功，例如自动驾驶（Khan等，2021），医学成像（Hickman等，2022），地球物理（Yu和Ma，2021）和纳米科学（Jiang等，2022）。随着海洋科学研究进入智能化和不断改进的海洋数据的新时代，AI可以有效挖掘海量数据中蕴含的潜在信息。因此，它也越来越受到海洋研究人员的关注（Logares 等，2021）。AI技术与传统模型的结合以提高海洋安全性也已被证明（Khayyam 等，2020）。此外，海洋污染（Agarwala，2021）、风能和波浪能（Gu and Li，2022）研究中的数据处理问题可以使用AI算法解决。因此，本文报告了AI算法方法在海洋科学研究中的应用前景，主要是监测海洋生物多样性，深海资源建模以及预测SST，潮位，海冰和气候。此外，本文还讨论了AI算法在处理海洋数据和建立预测模型方面的当前问题。
使用人工智能算法的动态定价策略
定价策略会对公司的成功产生巨大影响。本文重点介绍在动态定价策略中使用人工智能的优缺点。充分了解可能的好处和挑战将有助于公司了解其选择的定价策略的影响。人工智能驱动的动态定价有很大的机会增加公司的利润。公司可以从基于个人行为和特征的个性化定价中受益，并通过提高效率和减少使用手工和自动化的需求来降低成本。然而，人工智能驱动的动态奖励会对客户对信任、公平和透明度的看法产生负面影响。由于使用了价格歧视，可能会出现隐私和公平等道德问题。了解决定定价策略的企业和客户非常重要，两者缺一不可。它将全面概述人工智能辅助动态定价策略的主要优点和缺点。本研究的主要目的是揭示实施人工智能支持的动态定价策略最显着的优点和缺点。未来的研究可以通过案例研究扩展对算法定价的理解。这样，未来就可以开发出新的实际意义。重要的是研究如何缓解与顾客信任和不公平感相关的问题，例如通过价格框架。关键词
视觉诱发电位中的人工智能算法-...
脑机接口 (BCI) 是一种使用脑电图 (EEG) 信号控制外部设备（例如功能性电刺激 (FES)）的技术。基于 P300 和稳态视觉诱发电位 (SSVEP) 的视觉 BCI 范例已显示出巨大的临床用途潜力。已经发表了许多关于基于 P300 和 SSVEP 的非侵入式 BCI 的研究，但其中许多研究存在两个缺点：(1) 它们不适用于运动康复应用，(2) 它们没有详细报告用于分类的人工智能 (AI) 方法或其性能指标。为了弥补这一差距，本文采用 PRISMA（系统评价和荟萃分析的首选报告项目）方法来准备系统文献综述 (SLR)。重复或与运动康复应用无关的 10 年以上的论文被排除在外。在所有研究中，51.02% 涉及分类算法的理论分析。在剩余的研究中，28.48% 用于拼写，12.73% 用于各种应用（轮椅或家用电器的控制），只有 7.77% 专注于运动康复。在应用纳入和排除标准并进行质量筛选后，共选出 34 篇文章。其中，26.47% 使用 P300，55.8% 使用 SSVEP 信号。建立了五个应用类别：康复系统（17.64%）、虚拟现实环境（23.52%）、FES（17.64%）、矫形器（29.41%）和假肢（11.76%）。在所有作品中，只有四篇对患者进行了测试。报告的用于分类的机器学习 (ML) 算法中，最常用的是线性判别分析 (LDA) (48.64%) 和支持向量机 (16.21%)，而只有一项研究使用了深度学习算法：卷积神经网络 (CNN)。报告的准确率范围为 38.02% 至 100%，信息传输速率范围为每分钟 1.55 至 49.25 比特。虽然 LDA 仍然是最常用的 AI 算法，但 CNN 已显示出令人鼓舞的结果，但由于其技术实施要求高，许多研究人员
Avey：一种用于自我诊断的精确人工智能算法
目标 介绍我们基于人工智能的症状检查器，严格测量其准确性，并将其与现有的流行症状检查器和经验丰富的初级保健医生进行比较。 设计案例研究。 设置 400 个黄金标准初级保健案例。 干预/比较器我们使用了 7 个标准准确性指标来评估 6 个症状检查器的性能。为此，我们开发并同行评审了 400 个案例，每个案例都得到了 7 名独立且经验丰富的全科医生中至少 5 名的认可。据我们所知，这产生了迄今为止该领域最大的基准案例套件。 为了建立参考框架并相应地解释症状检查器的结果，我们进一步将表现最佳的症状检查器与 3 名平均经验为 16.6 年的初级保健医生直接进行比较。主要结果测量我们从 7 个标准角度彻底研究了症状检查者和医生的诊断准确率，包括：(a) 𝑀 1、𝑀 3 和 𝑀 5 分别作为症状检查者或医生在前 3 种疾病中或前 5 种鉴别诊断疾病中返回小插图主要诊断的能力的测量指标；(b) 召回率作为症状检查者或医生鉴别诊断中返回的相关疾病百分比的测量指标；(c) 精确度作为症状检查者或医生鉴别诊断中相关疾病百分比的测量指标；(d) F1 测量作为召回率和精确度之间的权衡测量指标；(e) 归一化折现累积增益或 NDCG 作为症状检查者或医生鉴别诊断排名质量的测量指标诊断。结果 我们的基于 AI 的症状检查器 Avey 的表现明显优于 5 种流行的症状检查器，即 Ada、WebMD、K Health、Buoy 和 Babylon，使用 𝑀 1 时平均高出 24.5%、175.5%、142.8%、159.6%、2968.1%；使用 𝑀 3 时平均高出 22.4%、114.5%、123.8%、118.2%、3392%；使用 𝑀 5 时平均高出 18.1%、79.2%、116.8%、125%、3114.2%；使用召回率时平均高出 25.2%、65.6%、109.4%、154%、3545%；使用 F1 测量时分别为 8.7%、88.9%、66.4%、88.9%、2084%；使用 NDCG 时分别为 21.2%、93.4%、113.3%、136.4%、3091.6%。在精度方面，Ada 平均比 Avey 高出 0.9%，而 Avey 分别比 WebMD、K Health、Buoy 和 Babylon 高出 103.2%、40.9%、49.6% 和 1148.5%。与症状检查员相反，医生在使用精确度和 F1 测量时比 Avey 平均高出 37.1% 和 1.2%，而 Avey 在使用 𝑀 1、𝑀 3、𝑀 5、召回率和 NDCG 时分别比他们平均高出 10.2%、20.4%、23.4%、56.4% 和 25.1%。为了提高我们研究的可重复性并支持未来的相关研究，我们公开并免费提供了所有黄金标准小插图。此外，我们在网上发布了症状检查员和医生的所有结果（即 45 组
专题 地图样萎缩分析的人工智能算法：回顾与评估
我们目前对导致 GA 进展的原因以及如何预测其生长（即其进展）的理解仍然有限，测量病变大小的策略在人力资源方面既缓慢又昂贵。人工智能 (AI) 过去曾广泛用于基于电子健康记录的“大数据”分析，最近，AI 方法已扩展到筛查视网膜图像，随后在诊断中显示出希望。12 基于 AI 的分析的一个优点是它可以非常快速且经济高效地评估兆字节数据。13 AI 系统可以以比人类更高的分辨率和更大的带宽区分图像特征和颜色，因此可以增强信息发现过程。14 AI 还可以将临床信息与诊断图像中出现的特征相结合，以提高分类准确性。15 这在放射学和皮肤病学中很明显，它们已经成为基于 AI 的诊断研究的主题，并取得了令人鼓舞的结果。13