XiaoMi-AI文件搜索系统
World File Search System标数据
人工智能模型的预测性能......
摘要 目的：过去几年，人工智能模型预测移植后健康并发症的有效性和能力一直存在争议。在这篇系统综述中，我们评估了不同的人工智能模型在预测心肺移植后健康结果方面的表现。材料和方法：我们研究了在线数据库。我们收集并分析了人工智能在心肺移植中的应用性能指标数据。此外，我们还进行了偏倚风险评估。结果：在我们收集的 122 项初步研究中，有 15 项被纳入分析。人工智能模型表现出很高的性能，其判别指标（例如受试者工作曲线下面积）范围从 0.620 到 0.921，并且对长期结果具有良好的校准性。随机森林和极端梯度增强模型优于其他模型，尤其是传统的线性模型。北美白人是主要的子样本，儿科人群被排除在分析之外。大多数研究表明总体偏倚风险较高，而对研究问题的适用性则显示风险较低。结论：监督机器学习模型在预测移植后健康结果方面表现良好。然而，必须考虑人工智能模型在移植中的应用的偏见和伦理问题，才能得出安全的结论。
电池健康的预后，具有无传感器差分温度伏安的重建和基于多域适应性的容量估计
电池健康预后是电池管理的关键部分，用于确保安全和最佳用法。在本文中提出了一种基于多域适应性的端到端无传感器差异温度伏安挥发性重建和健康估计状态的新方法。首先，使用部分充电或散布曲线来重建差分温度曲线，从而消除了温度传感器测量的需求。偏差容量曲线和重建的差分温度曲线是输入的，然后在端到端的健康估计状态中使用。最后，为了减少源和目标域之间的域差异，将最大平均差异作为额外的损失包括在于提高差分温度曲线重建和健康估计状态的准确性，并使用未标记的测试电池中的未贴标数据。四个数据集，其中包含具有不同电池化学和格式的实验数据和公共数据，当前模式和速率以及外部条件用于验证和评估。实验结果表明，在不同情况下，提出的方法可以满足健康预后，对于差分温度曲线，平均误差小于0.067°C/V，而健康状况为1.78％。结果表明，与没有传统数据驱动的方法相比，差异温度曲线重建的误差降低了20％以上，健康估计状态的误差降低了所提出的方法的47％以上。