XiaoMi-AI文件搜索系统
World File Search System测试模型
ASEAS化学工程杂志2024，第1卷。 24，No. 2，156 - 163氧化石墨烯密封对阳极氧化铝耐腐蚀性的影响
摘要Semarang City面临着重大的环境挑战，土地沉降是一个关键问题，它加剧了洪水的淹没并加剧了洪水破坏。随着城市地区的扩大和气候变化的影响变得更加明显，理解和减轻洪水风险对于可持续的城市发展和灾难管理至关重要。因此，本研究旨在评估使用机器学习来改善洪水管理的土地沉降引起的洪水风险。使用五种不同的机器学习模型（MLMS）来评估洪水风险，其中包括决策树（DT），K-Nearest邻居（KNN），逻辑回归（LR），支持向量机（SVM）和随机森林（RF）。此外，还使用了14个不同的指数和2884个样本点来训练和测试模型，并通过高参数优化确保了比较中的公平性。为了解决样本数据集中的不确定性，使用洪水点来验证洪水风险分区图的合理性。该研究调查了不同洪水风险水平的驱动因素，重点是洪水区域，以确定最高风险地区的洪水风险机制。结果表明，KNN表现最好，并提供了模型中最合理的洪水风险价值。同时，使用KNN模型的平均得分降低，将曲线数（CN），距离河流距离（Dtriver）和建筑物密度（BD）确定为洪水风险的前三个重要因素。最后，这项研究扩大了机器学习在洪水风险评估中的应用，并加深了对洪水风险潜在机制的理解，并提供了对更好的洪水风险管理的看法。
探索基于深度学习的大脑MRI-TO-CT合成中的对比度概括
背景：已提出合成计算机断层扫描（SCT），并越来越多地采用以实现基于磁共振成像（MRI）的放射疗法。深度学习（DL）最近证明了从固定MRI采集中生成准确的SCT的能力。但是，由于模型概括不良，MRI方案可能会随着时间的推移而随着时间的流逝而变化或不同。目的：研究域随机化（DR）以增加脑SCT生成DL模型的概括。方法：收集了95例接受RT患者的CT和相应的T 1加权MRI，带有 /无对比度，T 2加权和FLAIR MRI，考虑到可以研究概括的未见序列的能力。“基线”生成对抗网络进行了 /没有天赋序列的训练，以测试模型在没有DR的情况下的性能。基于SCT的剂量计划的图像相似性和准确性对CT进行了评估，以选择针对基线的表现最佳的DR方法。结果：基线模型在FLAIR上的性能最差，平均绝对误差（MAE）= 106±20.7 HU（平均值±σ）。在MAE = 99.0±14.9 HU的DR模型中，Flair上的性能显着提高，但仍然不如基线 + Flair模型的性能（MAE = 72.6±10.1 HU）。同样，对于DR VS基线，获得了γ速率的提高。结论：DR提高了仅在获得的MRI上训练的未见序列上的图像相似性和剂量准确性。DR使模型更加稳健，从而减少了在未见序列上应用模型时重新训练的需求，并且无法进行重新训练。
使用调查数据识别口腔健康差的儿童和青少年的低成本和可扩展的机器学习模型：葡萄牙的经验研究
这项实证研究评估了开发机器学习模型的潜力，以仅使用自我报告的调查数据来识别口腔健康状况不佳的儿童和青少年。这样的模型可以启用可扩展且具有成本效益的筛查和针对性的相互作用，从而优化有限的资源以改善口腔健康结果。要训练和测试模型，我们使用了来自葡萄牙市立学校的2,133名学生的数据。口腔健康差（因变量）被定义为具有落叶牙齿（DMFT）的腐烂，错过和填充的牙齿指数（DMFT）或恒定牙齿（DMFT）（DMFT）高于专家定义的阈值（DMFT/DMFT 3或4）。调查提供了有关学生口腔健康习惯，知识，信念以及食物和体育锻炼习惯的信息，这些习惯是自变量。logistic回归模型，其通过低变化过滤和递归功能消除选择的变量优于基于Precision@k Metric的复杂机器学习算法训练的各种培训，但在识别患有较差口服健康的学生方面，也进行了随机选择和基于专家规则的模型。与类似的方法和模型相比，提出的模型可以天生可以解释，广泛适用，可以弥补其较低的性能（曲线下的面积= 0.64-0.70）。这项研究是口腔保健中为数不多的分类模型审核的人之一。审核表现出与人口统计学因素（例如年龄和社会援助状况）有关的潜在偏见。解决这些偏见而没有显着损害模型性能仍然是一个挑战。结果证实了基于调查的机器学习模型来识别口腔健康差的个体的可行性，但是在现场试验中需要进一步验证这种方法和试点测试。
红色风筝的发声火箭电机资格和应用范围
红色风筝©是一种在一吨净爆炸物质量中的市售，连续产生的固体推进剂发声的火箭电机。它是为了响应科学界对高性能发声火箭车的持续需求而开发的。红色风筝的主要目的是用作军事盈余和商业第二阶段的强大助推器，但是当由更大的电动机或另一个红色风筝加强时，也可以用作维持者。典型的有效载荷范围为200至600公斤。在针对微重力研究量身定制的任务设计中使用时，典型的上流范围在250至300公里之间，而高音群落的需求可以通过抑制的轨迹设计来满足，通常在30至60 km的高度带中以6至9的水平飞行提供水平飞行。在2017年的A阶段定义研究之后，德国航空航天中心DLR于2020年签约拜仁 - 卫生馆，用于开发和制造红色风筝电机，最初提供30个串行单位。在初步设计和材料选择阶段，机械，烟火和电气子系统的地面测试之后。最后，在2023年8月在Esrange太空中心成功测试了两个完整的鉴定电动机，在完成严格的热循环和机械振动代表方案之后，测试模型降低了操作温度信封的上和下限，在处理，运输和飞行过程中预期的负载代表。成功获得资格后，启动了串行生产，并于2023年11月从安安空航天中心（AndøyaSpace Center）从安德尼（Andøya）航天中心（AndøyaSpace Center）发行了串行电动机。本文总结了电动机性能，系统设计的各个方面，资格计划及其在主动和未来的发声火箭车中的应用范围。
最终 RFP 干细胞模型和动物模型_0.pdf
印度政府征集概念提案，主题为“开发基于干细胞的疾病和药物测试模型，以及动物模型，以确定干细胞的安全性和有效性，用于治疗人类疾病”。1. 背景：由干细胞分化而来的类器官和组织是疾病建模、药物筛选和再生医学的有前途的资源，因为它们可以忠实地捕捉组织组织，连接标准细胞培养方法和体内动物模型。然而，需要集中研究来解决低可重复性和可变性问题，并克服使用类器官和基于干细胞的管道作为药物筛选、疾病建模等标准的其他障碍。虽然类器官是未来的发展方向，但在开始人体临床试验之前，在动物模型中测试医疗治疗的安全性和有效性是一项基本要求。需要具有与人类疾病模型高度相似的病理生理学的稳健动物模型，以便轻松推断人类的剂量、给药途径和治疗结果。干细胞和基因治疗等新兴技术对其安全性和有效性的评估提出了独特的挑战。需要更大的动物模型来精确模拟骨骼、软骨、皮肤、肺、胰腺、肝脏、肠道、心脏、神经系统、肾脏和其他器官的损伤，并评估相应的治疗方法。需要寿命更长的动物模型来研究治疗的长期效果以及慢性和退行性疾病。随着基因编辑工具的日益普及和基因组测序成本的下降，现在可以快速开发干细胞和动物模型用于各种目的。本次征求建议书将支持类器官和基于干细胞的药物筛选管道；基于干细胞的疾病模型，用于诊断、药物发现和筛选；动物模型，以确定干细胞对与印度次大陆相关的人类疾病的安全性和有效性。
不确定的供应链管理
实施可持续和智能供应链实践对组织的绩效产生了重大影响。在当今的全球化和高度工业化的世界中，可持续性被公认为是所有组织的最高优先事项之一。基于Internet的技术，数字平台和大数据分析的演变为重新设计供应链变得聪明，敏捷和弹性铺平了道路。因此，发现与这两个概念相关的实践的实施可改善与供应链相关的组织绩效。这项研究旨在从经验上研究这两种实践对改善印度中小型企业（SME）供应链组织绩效的影响。这项研究考虑了与印度中小企业的可持续供应链和智能供应链实践相关的尺寸和变量，在此之前的研究贡献中未考虑。因此，这项研究成为对现有知识体系的独特贡献。使用问卷收集的来自印度Telangana州的92个中小企业的数据进行了经验分析。基于使用探索性研究方法的标准，印度泰兰加纳政府中小企业的目录被用来选择中小企业的集群样本作为受访者。SPSS软件用于测试模型。回归和方差分析用于此目的。这项研究的发现揭示了可持续和智能供应链（SC）实践对改善SC组织绩效的重大影响。另外，这些实践中的每一个都会直接影响中小型企业的表现。从中小企业代表那里获得回答是这项研究的挑战和局限性，同时将这项研究的范围扩展到不同的地理区域和集群将是进一步研究的主题。这项研究的结果和结果通过填补研究人员，院士，学生，政策制定者和行业从业人员的差距和增值，为现有知识体系做出了重大贡献。
癌症免疫疗法学会（SITC）的共识定义，用于免疫检查点抑制剂相关的免疫相关事件（IRAES）术语
抽象背景黑色素瘤是一种免疫敏感疾病，如免疫检查点阻滞（ICB）的活性所证明，但许多患者将不反应或复发。最近，肿瘤浸润淋巴细胞（TIL）疗法已显示出ICB衰竭后黑色素瘤治疗的有希望的功效，表明细胞疗法的潜力。然而，由于转移了大量表型多样的T细胞，因此TIL处理伴随着制造局限性，产品异质性以及毒性问题。为了克服上述局限性，我们提出了一种受控的收养细胞治疗方法，其中T细胞由靶向SAR和黑色素瘤相关抗原的双特异性抗体（BIAB）选择性激活的合成激动受体（SAR）。方法是人类和鼠类SAR构建体的生成并转导到原代T细胞中。该方法在表达黑色素瘤相关抗原酪氨酸酶相关蛋白1（Tyrp1）和黑色素瘤相关软骨素硫酸盐蛋白聚糖（MCSP）（MCSP）（CSPG4）的鼠，人类和患者来源的癌症模型中得到了验证。sar t细胞。结果MCSP和Tyrp1表达在接受治疗和未经治疗的黑色素瘤的患者的样品中保守，支持其用作黑色素瘤靶标抗原。结论SAR T细胞 - 绝经方法提供了特定和条件T细胞激活在所有测试模型中，靶细胞和抗TYRP1×抗SAR或抗MCSP×抗SAR BIAB诱导的条件抗原依赖性激活，SAR T细胞的增殖和靶向肿瘤细胞裂解。在体内，抗肿瘤活性和长期生存是由SAR T细胞和BIAB在合成性肿瘤模型中的共同给药介导的，并在包括患者衍生的异种移植模型在内的几种异种移植模型中进一步验证。
使用混乱工程研究Kafka簇的异常检测
分布式系统正在在IT组织中广泛采用。这些系统中的监视故障，包括松散的耦合应用程序，很麻烦，需要手动关注。本研究重点是在运行Kafka的沙箱中实现异常检测，以自动检测故障。用于训练和测试模型，“混乱工程”用于将受控故障注入系统。由于沙盒当前不在负载下，因此创建了负载模拟器以模拟五种不同的方案：恒定负载，线性增加负载，线性减小负载，正弦负载和现实生活中的场景负载。该研究还研究了从5、10到未来30分钟的各种预测范围上预测指标的能力。预测模型显示出不同的性能结果，具体取决于沙箱上的当前负载和预测度量，因为一些指标显示出较高的波动性，从而导致预测性能较差。总体而言，增加预测范围会导致预测较差，但在合理的利润率之内。该研究得出的结论是，CPU使用度量对于现实生活中的模拟以及所有模型的正弦载荷表现最佳。对于线性增加，消费者组滞后的指标对于所有型号都是最好的。该度量在线性减少载荷期间也对LSTM表现最好。但是，KNN最好的指标是网络错误增加和内存使用量。隔离森林的最佳指标是主题偏移。在整体模型性能方面，KNN是现实生活模拟和线性增加负载的最佳选择。对于持续的模拟，Kafka延迟是LSTM和KNN的最佳指标，而网络错误最适合隔离林。隔离森林最适合正弦，线性减少和恒定模拟。该研究还得出结论，与常规负载模拟相比，沙盒中的混乱工程能够注入足够的误差，以使模型对负载的反应不同。本研究中引入的新方法提供了一种方法，用于使用混乱工程在测试环境中建立机器学习模型，而无需生产数据或现实生活中的使用。
队列研究数据的差异影响对痴呆症预测诊断的人工智能模型的外部验证 - 转化为临床实践的经验教训
摘要 人工智能 (AI) 方法为个性化、症状前疾病诊断提供了绝佳机会，这在个性化、预测性和最终预防医学 (PPPM) 的背景下发挥着关键作用。然而，要将 PPPM 转化为临床实践，至关重要的是仔细验证基于 AI 的模型。验证过程包括几个步骤，其中之一是根据来自独立临床队列研究的患者级数据测试模型。然而，招募标准可能会对队列研究数据的统计分析产生偏差，并阻碍模型在训练数据之外的应用。为了评估来自独立临床队列研究的数据是否以及如何彼此不同，本研究系统地比较了从两个主要痴呆症队列收集的数据集，即阿尔茨海默病神经影像学计划 (ADNI) 和 AddNeuroMed。所呈现的比较是在个体特征层面进行的，并揭示了两个队列之间的显著差异。这种系统偏差可能会妨碍基于单个队列数据集的结果的普遍性。尽管发现了差异，但对之前发布的、用于预测 244 名 AddNeuroMed 受试者个性化痴呆风险评分的 ADNI 训练模型的验证是成功的：外部验证导致在痴呆症诊断前 6 年内，受试者工作特征曲线下面积超过 80% 的高预测性能。倾向得分匹配确定了来自 AddNeuroMed 的一组患者，其与 ADNI 的人口统计学差异明显较小。对于这些患者，实现了更高的预测性能，这表明队列之间的系统差异可能对验证结果产生影响。总之，这项研究揭示了在队列研究数据上对 AI 模型进行外部验证的挑战，并且是神经病学领域进行此类外部验证的罕见案例之一。所提出的模型代表了一种概念证明，即个性化预测诊断的可靠模型是可行的，这反过来可以导致充分的疾病预防，从而使痴呆症领域的 PPPM 范式成为可能。
机器学习应用于乐器扬声器的声音分类A J Harper Celestion / GP Acoustics（UK）Ltd. 1介绍< / div < / div < / div < / div < / div
机器学习是研究领域，它使计算机具有学习能力，而无需明确编程。程序拥有的经验越多，其任务就越好。在该项目中考虑的情况下，测量的扬声器越多，程序就会越准确地预测听众的主观判断。存在标准化的测量和处理技术，表明扬声器在一方面的表现。其中许多与主观印象非常相关，但是没有一个测量可以说明整个故事。扬声器工程师学会在多年的经验中将一系列测量信息与扬声器的声音联系起来，通常在很大程度上知道单元在聆听之前的声音。这种方法复制了学习元素，允许程序在用一系列最有意义的测量范围喂养时找到扬声器组之间的最佳分离。未分类的驱动器单元可以以有意义的方式将其归类为好是坏，并具有可量化的输出。这些分类与主观判断高度相关。这项工作概述了与扬声器分类有关的机器学习的相关概念，并在概述了所选解决方案的原因之前概述了三种可用方法。这些技术对每种测量作为主观判断的指标的相对重要性提供了一个有趣的见解，最终结果表明，与替代技术或仅任何一个测量值相比，分组的分离大大改善了。描述了一种有效的听力测试方法，该方法非常适合该目的。这提供了组之间的最大听觉差异，同时是可重复，控制和时间效率的。驱动器单元可以选择自信地反复判断，并将其测量用于训练，调整和测试模型。应该强调的是，乐器扬声器旨在产生声音，而不是重现声音1，而繁殖的不准确是设计意图。通过高保真扬声器演奏的电吉他或通过吉他演讲者播放的录制音乐是对此的启发性演示。在这种情况下，好的是指该扬声器的理想声音特征用于使用的典型应用。结果不能直接转移到旨在重现声音的扬声器。