XiaoMi-AI文件搜索系统
World File Search System真实值
确定利用甲醇燃烧技术的间接量热仪的准确性和可靠性
摘要背景：市面上有几种间接量热法 (IC) 仪器，但缺乏比较有效性和可靠性数据。现有数据受到协议、受试者特征或单仪器验证比较不一致的限制。本研究的目的是使用甲醇燃烧作为跨实验室标准来比较代谢车的准确性和可靠性。方法：在 12 个代谢车上完成了八次 20 分钟的甲醇燃烧试验。计算了呼吸交换率 (RER) 和 O 2 和 CO 2 恢复百分比。结果：为了准确度，1 Omnical、Cosmed Quark CPET（Cosmed）和两个 Parvos（Parvo Medics trueOne 2400）测量的所有 3 个变量在真实值的 2% 以内； DeltaTracs 和 Vmax Encore System (Vmax) 在测量 1 个或 2 个变量（但不是全部变量）时都表现出相似的准确性。对于可靠性，8 种仪器被证明是可靠的，其中 2 种 Omnicals 排名最高（变异系数 [CV] < 1.26%）。Cosmeds、Parvos、DeltaTracs、1 Jaeger Oxycon Pro (Oxycon)、Max-II Metabolic Systems (Max-II) 和 Vmax 至少对 1 个变量可靠 (CV ࣘ 3%)。对于多元回归，湿度和甲醇燃烧量是 RER 的显著预测因子（R 2 = 0.33，P < .001）。温度和甲醇燃烧量是 O 2 恢复的显著预测因子（R 2 = 0.18，P < .001）；只有湿度是 CO 2 回收率的预测因素（R 2 = 0.15，P < .001）。结论：Omnical、Parvo、Cosmed 和 DeltaTrac 具有更高的准确性和可靠性。测试的仪器数量较少，并且气体校准变异性预计存在差异，限制了结论的普遍性。最后，可以在实验室中修改湿度和温度以优化 IC 条件。（Nutr Clin Pract.2018；33：206–216）
使用地球物理日志的机器学习辅助岩性预测：Cambay Basin的案例研究
识别和储层相的表征是划定用于碳氢化合物勘探的储层的碳氢化合物区域的主要因素。地球物理日志是在钻孔附近测量的储层相的物理参数，在储层相的解释中起着至关重要的作用。本研究涉及使用地球物理原木上的机器学习（ML）技术在坎贝盆地中岩石BEL的岩性的识别。机器学习的监督技术，例如支持向量机（SVM），ARTI B CIAL神经网络（ANN）和K-Nearest邻居（KNN），用作非线性地球体物理原木岩性学的识别的非线性分类。使用网格搜索交叉验证（CV）方法优化了ML模型的超参数，如ConfusionMatrix评估，auctreceiver操作特性曲线（AUC），精度，召回和F1分数对促进性的促进症状效果。ML模型使用了两个井的地球物理参数，其中有四个已知的杰出岩性（class-a，class-b，class-c和class-c和class-c和class-c和class-c和class-class-c和class-class-class-c和class-class-class）。分别从混淆矩阵中分别为KNN，SVM和ANN的每个岩性的优化和训练的模型，分别以85.4％，87.0和88.9％的形式显示了对真实值的总体正确预测。因此，每个模型从评估参数中的准确性表明，对不同ML模型的组合分析选择优化的ML模型，以更好地实现和验证，以更好地实现和建模岩性。除此之外，接收器手术特征（ROC）还表明，每种岩性的曲线下的整体面积大于90％，其他评估参数（例如精度，回忆和F1得分）的准确性大于84％，除了SVM和ANN类C类D类和Ans类D类案例外。
液相色谱-电感耦合等离子体质谱法定量分离未知有机金属配合物
摘要：人们普遍认为溶解有机物 (DOM) 可以控制环境中痕量金属的溶解度和反应性。然而，控制金属-DOM 络合的机制仍然不清楚，主要是因为在组成 DOM 的复杂有机化合物混合物中分离和定量金属-有机物种的分析难度很大。本文，我们描述了一种使用液相色谱在线电感耦合等离子体质谱 (LC-ICP-MS) 对有机-金属络合物进行定量分离和元素特异性检测的方法。该方法实施柱后补偿梯度以稳定整个 LC 溶剂梯度中的 ICP-MS 元素响应，从而克服了实现 LC-ICP-MS 定量准确度的主要障碍。通过外部校准和内部标准校正，该方法得到的有机-金属络合物浓度始终在其真实值的 6% 以内，无论络合物的洗脱时间如何。我们利用该方法评估了四种固定相（C18、苯基、酰胺和五氟酰基苯基丙基）对苏旺尼河富里酸和苏旺尼河天然有机质中环境相关痕量金属（Mn、Fe、Co、Ni、Cu、Zn、Cd 和 Pb）回收率和分离率的影响。C18、酰胺和苯基相通常可获得最佳的金属回收率（除 Pb 外，所有金属的回收率均 > 75%），其中苯基相分离极性物质的程度大于 C18 或酰胺相。我们还对氧化和还原土壤中有机结合的 Fe、Cu 和 Ni 进行了分馏，揭示了土壤氧化还原环境中金属-DOM 形态的不同。通过对 DOM 结合金属进行定量分馏，我们的方法为加深对整个环境中金属-有机络合物的机理理解提供了一种手段。■ 引言
使用无监督机器学习自动跟踪多发性硬化症中的主动病变
摘要：背景：在磁共振成像 (MRI) 中识别活动性病变对于多发性硬化症 (MS) 的诊断和治疗计划至关重要。在施用钆基造影剂 (GBCA) 后，可以识别 MRI 上的活动性病变。然而，最近的研究报告称，重复施用 GBCA 会导致 Gd 在组织中积聚。此外，施用 GBCA 会增加医疗保健成本。因此，减少或取消用于活动性病变检测的 GBCA 施用对于提高患者安全性和降低医疗保健成本非常重要。目前，无需施用 GBCA 即可识别脑部 MRI 中的活动性病变的最先进方法利用数据密集型深度学习方法。目标：实现数据密集度较低的非线性降维 (NLDR) 方法、局部线性嵌入 (LLE) 和等距特征映射 (Isomap)，用于自动识别 MS 患者脑部 MRI 上的活动性病变，而无需施用造影剂。材料和方法：本研究中使用的多参数 MRI 数据集包括液体衰减反转恢复 (FLAIR)、T2 加权、质子密度加权以及对比前后 T1 加权图像。减影前后对比 T1 加权图像由专家标记为活动性病变 (地面真实值)。使用无监督方法 LLE 和 Isomap 将多参数脑 MR 图像重建为单个嵌入图像。在嵌入图像上识别活动性病变并将其与地面真实病变进行比较。通过计算嵌入图像中观察到的和识别出的活动性病变之间的 Dice 相似性 (DS) 指数来评估 NLDR 方法的性能。结果：LLE 和 Isomap 应用于 40 名 MS 患者，分别获得 0.74 ± 0.1 和 0.78 ± 0.09 的中位 DS 评分，优于目前最先进的方法。结论：NLDR 方法、Isomap 和 LLE 是识别非对比图像上活动性 MS 病变的可行选择，并且可能用作临床决策工具。
使用机器学习算法自动检测和分析硬膜下血肿
目的机器学习算法在神经影像学领域已显示出突破性成果。本文，作者评估了一种新开发的卷积神经网络 (CNN) 的性能，用于检测和量化非造影头部 CT (NCHCT) 中硬膜下血肿 (SDH) 的厚度、体积和中线移位 (MLS)。方法回顾性地确定了 2018 年 7 月至 2021 年 4 月期间在单个机构进行的用于评估连续患者头部创伤的 NCHCT 研究。根据神经放射学报告确定了 SDH、厚度和 MLS 的真实值。主要结果是 CNN 在外部验证集中检测 SDH 的性能，使用受试者工作特征曲线下面积分析来衡量。次要结果包括厚度、体积和 MLS 的准确性。结果 在符合研究标准的 263 例有效 NCHCT 病例中，135 例患者（51%）为男性，平均（± 标准差）年龄为 61 ± 23 岁，70 例患者经神经放射科医生评估诊断为 SDH。SDH 厚度中位数为 11 毫米（IQR 6 毫米），16 例患者的 MLS 中位数为 5 毫米（IQR 2.25 毫米）。在独立数据集中，CNN 表现良好，敏感度为 91.4%（95% CI 82.3%–96.8%），特异度为 96.4%（95% CI 92.7%–98.5%），准确度为 95.1%（95% CI 91.7%–97.3%）；对于 SDH 厚度超过 10 毫米的亚组，敏感度为 100%。最大厚度平均绝对误差为 2.75 毫米（95% CI 2.14–3.37 毫米），而 MLS 平均绝对误差为 0.93 毫米（95% CI 0.55–1.31 毫米）。计算用于确定自动和手动分割测量之间一致性的 Pearson 相关系数为 0.97（95% CI 0.96–0.98）。结论所述 Viz.ai SDH CNN 在独立验证成像数据集中识别和量化 SDH 的关键特征方面表现非常出色。
基于遗传算法优化的最小电极子集的自动选择方法，用于精确的 EEG 源估计
高密度脑电图 (HD-EEG) 已被证明是估计大脑内部神经活动精度最高的 EEG 蒙太奇。多项研究报告了电极数量对特定源和特定电极配置的源定位的影响。这些配置的电极通常是手动选择的，以均匀覆盖整个头部，从 32 个电极到 128 个电极，但电极配置通常不是根据它们对估计精度的贡献来选择的。在本文中，提出了一项基于优化的研究，以确定可使用的最小电极数量，并确定可以保持 HD-EEG 重建定位精度的最佳电极组合。这种优化方法结合了广泛使用的 EEG 蒙太奇的头皮标志位置。这样，可以针对单源和多源定位问题系统地搜索最小电极子集。非支配排序遗传算法 II (NSGA-II) 结合源重建方法用于制定多目标优化问题，该问题同时最小化 (1) 每个源的定位误差和 (2) 所需的 EEG 电极数量。该方法可用于评估低密度 EEG 系统（例如消费级可穿戴 EEG）的源定位质量。我们对已知真实值的合成和真实 EEG 数据集进行了评估。实验结果表明，对于单个源情况，具有 6 个电极的最佳子集可以达到与 HD-EEG（具有 200 多个通道）相同或更好的精度。在重建特定大脑活动时，在合成信号中超过 88% 的情况和在真实信号中超过 63% 的情况都会发生这种情况，而在考虑具有 8 通道的最佳组合时，分别在超过 88% 和 73% 的情况下也会发生这种情况。对于三源多源情况（仅使用合成信号），研究发现，在至少 58%、76% 和 82% 的情况下，8、12 和 16 个电极的优化组合可达到与 231 个电极 HD-EEG 相同或更好的精度。此外，对于这样的电极数量，获得的平均误差和标准偏差低于 231 个电极。
马来西亚应用临床试验进口指南...
准确性分析程序的精度表达了作为常规的真实值或接受的参考值和所找到的值所接受的值之间的一致性。这有时被称为真实。活性物质的任何物质或混合物旨在用于制造研究产品的物质，并且在其生产中使用时，该物质成为该产品的活性成分，旨在发挥药理，免疫学或代谢作用，以恢复，纠正，纠正或修改生理诊断，以恢复，纠正或修改医疗诊断。在研究产品或其新用法的批准前临床经验中的不良药物反应，尤其是由于无法确定治疗剂量：所有对与任何剂量有关的研究产品的有害和意外的反应都应被视为不良药物反应（ADR）。“对研究产品的回应”一词是指研究产品与不良事件之间的因果关系至少是合理的可能性，即不能排除这种关系。关于市场产品，不利的药物反应是对一种有害和意外的药物的反应，并且通常以通常用于预防，诊断或疾病治疗或修改生理功能的剂量。不良事件对患者或临床研究受试者的任何不良医疗事件都接受了研究产品，并且不一定与该治疗的因果关系。因此，不利事件可能是任何不利和意外的迹象（包括异常的实验室发现），症状或疾病在时间上与使用研究产品相关的症状或疾病，无论是否与研究产品有关。分析程序分析程序是指执行分析的方式。它应详细描述执行每个分析测试所需的步骤。这可能包括但不限于：样本，参考标准和试剂制备，使用设备，校准曲线的生成，使用公式进行计算等等。批准了由国家临床研究委员会批准的良好临床实践培训的培训。培训的内容必须纳入委员会规定的课程。辅助产品一种用于协议中所述临床试验需求的药用产品，但不是作为测试/比较器的研究产品。，例如，护理标准，救援药物，预处理和伴随药物。cioms形成了报告ADR的形式。
马来西亚定义的ctil-and-ctx- ...
准确性分析程序的精度表达了作为常规的真实值或接受的参考值和所找到的值所接受的值之间的一致性。这有时被称为真实。活性物质的任何物质或混合物旨在用于制造研究产品的物质，并且在其生产中使用时，该物质成为该产品的活性成分，旨在发挥药理，免疫学或代谢作用，以恢复，纠正，纠正或修改生理诊断，以恢复，纠正或修改医疗诊断。在研究产品或其新用法的批准前临床经验中的不良药物反应，尤其是由于无法确定治疗剂量：所有对与任何剂量有关的研究产品的有害和意外的反应都应被视为不良药物反应（ADR）。“对研究产品的回应”一词是指研究产品与不良事件之间的因果关系至少是合理的可能性，即不能排除这种关系。关于市场产品，不利的药物反应是对一种有害和意外的药物的反应，并且通常以通常用于预防，诊断或疾病治疗或修改生理功能的剂量。不良事件对患者或临床研究受试者的任何不良医疗事件都接受了研究产品，并且不一定与该治疗的因果关系。因此，不利事件可能是任何不利和意外的迹象（包括异常的实验室发现），症状或疾病在时间上与使用研究产品相关的症状或疾病，无论是否与研究产品有关。分析程序分析程序是指执行分析的方式。它应详细描述执行每个分析测试所需的步骤。这可能包括但不限于：样本，参考标准和试剂制备，使用设备，校准曲线的生成，使用公式进行计算等等。批准了由国家临床研究委员会批准的良好临床实践培训的培训。培训的内容必须纳入委员会规定的课程。辅助产品一种用于协议中所述临床试验需求的药用产品，但不是作为测试/比较器的研究产品。，例如，护理标准，救援药物，预处理和伴随药物。cioms形成了报告ADR的形式。
使用量子计算从叠后地震数据中估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心
使用量子计算从叠后地震数据估计地震阻抗 Divakar Vashisth* 和 Rodney Lessard，SLB 软件技术创新中心 摘要 量子计算越来越被认为是地球物理学的一项变革性技术，它有可能显著提高计算能力和效率。这一进步有望以前所未有的速度模拟和处理复杂的地质数据。最近的研究已经开始探索将量子计算方法应用于简化版本的地震反演问题，强调该技术解决现实世界逆问题的能力。本研究的主要目的是通过使用量子计算机从地震轨迹数据估计声阻抗来解决一个现实、可扩展且与业务相关的问题。据我们所知，这是第一次通过量子计算从地震数据预测地震阻抗，并讨论了在量子处理单元 (QPU) 上解决逆问题的优势。在本文中，我们利用 D-Wave 量子退火器来解决叠后地震反演问题，采用了一种新颖的两步工作流程。在第一步中，我们利用量子退火器从地震数据中估计反射率。随后，这些估计的法向入射反射率作为使用相同量子技术预测声阻抗的基础。为了验证我们方法的有效性，我们提供了五个示例，将 D-Wave 量子退火器的阻抗预测与通过模拟退火（传统上用于地震反演的随机全局优化器）获得的阻抗预测并列。值得注意的是，从量子退火器得出的阻抗仅在一个时期内就与真实值紧密匹配，而模拟退火需要 10 个时期才能达到类似的精度。此外，我们的混合求解器中的 QPU 仅花费约 0.08 秒即可估计这些地震阻抗。与混合求解器的经典组件和模拟退火所需的时间相比，这非常高效，后两者均需要超过 10 秒。这凸显了 QPU 可以在不到一秒的时间内完全解决地震逆问题，凸显了量子计算对地球物理学领域的变革性影响。 引言 量子计算是一个新兴领域，它利用量子力学原理来处理信息，为传统计算带来了范式转变。与以比特为信息基本单位的传统计算机相比，量子计算机
基于逻辑的可解释和增量机器学习
在ILP中也以非单调逻辑程序和默认规则（Srinivasan，Muggleton和Bain 1992; Dimopoulos and Kakas 1995）学习了身体中的目标。将模型表示为默认规则带来了可观的优势，可解释性，增量学习和数据经济。我们提出了可解释和可解释的基于LP的机器学习算法，以及用于增量学习的基于LP的强化学习，以及基于LP-基于LP的解释，用于解决数据经济问题。我们可解释的基于LP的机器学习方法（Shakerin，Salazar和Gupta 2017; Wang and Gupta 2022，2024）与最先进的技术竞争，例如XGBOOST（Chen and Guestrin 2016）和Mult-ceptrons/ceptrons/nealurations/nealuret网络（Aggarwal 2018）。表1显示了基于LP的ML算法的Fold-SE（Wang and Gupta 2024）的性能比较，以及XG-BOOST和MLP在二进制分类任务上的性能比较。与其他可解释的ML算法不同的是，它可以从数据中学习基于简洁的逻辑规则集，然后可以使用该规则集来进行预测。表2显示了Fold-SE与另一个流行的可解释的ML算法Ripper的比较。fold-se在产生明显较小的规则集的同时，达到了更高或可取的精度。nesyfold（Padalkar，Wang和Gupta 2023; Padalkar and Gupta 2023）是一个使用Fold-Se-M算法（用于多类别分类）的框架，从对图像分类任务进行培训的CNN生成全局解释。对于整个火车组，将最后一层内核的输出进行了二元。然后使用折叠-SE-M算法来学习一个规则集，其中每个谓词的真实值都被二进制内核的输出确定。每个内核都可以映射到它所学会的概念中，可以将其识别为识别及其相应的谓词可以将其标记为这些概念。图1说明了用于对“浴室”，“床房”和“厨房”的图像进行分类的CNN的Nesyfold框架。可以通过域专家仔细检查获得的规则集，以检查CNN可能学到的偏见。默认规则是捕获关系数据集的逻辑的绝佳方法。人类在日常推理中使用默认值（Stenning and van Lambalgen 2008； Dietz Saldanha，Houldobler和Pereira 2021）。大多数数据集都是由人类驱动的活动产生的（例如贷款