XiaoMi-AI文件搜索系统
World File Search System经过训练
使用深度学习预测辅助脑电图注释
深度学习已成功应用于 EEG 数据，用于睡眠分期、癫痫发作检测和伪影识别。然而，自动注释的性能还不足以在临床环境中取代经过训练的注释者。因此，我们提出了一个决策支持系统来帮助人类注释者更快、更有效地工作。作为解决这些挑战的第一步，我们在 Python 中开发了 Robin's Viewer (RV)，它基于绘图库 Plotly 和流行的 M/EEG 分析工具箱 MNE。目标是创建一个独立于平台的交互式 Web 应用程序，它是开源的，支持许多常见的 EEG 文件格式，以便于与各种 EEG 工具箱轻松集成。RV 包括其他 EEG 查看器的许多常见功能，例如视图滑块、标记坏通道和瞬态伪影以及可自定义的预处理。 RV 与现有 EEG 查看器的主要区别在于，它能够可视化经过训练以识别 EEG 数据中的模式的深度学习模型的输出预测。其结果是为科学家和临床医生提供了一个决策支持系统，他们可以使用 RV 来注释伪影、睡眠阶段、异常和其他分类任务。25
从2型糖尿病中的微生物组数据分类具有深度学习图像识别
摘要：人类肠道样品的微生物分析是检查一般福祉和各种健康状况的一种有益工具。肠道的平衡对于防止慢性肠道感染和肥胖以及与各种疾病有关的病理改变很重要。基于下一代测序（NGS）的微生物组数据的评估很复杂，其解释通常具有挑战性，可能是模棱两可的。因此，我们开发了一种创新的方法，用于检查和分类微生物数据，通过将数据视为径向热图以应用深度学习（DL）图像分类，从而将微生物数据数据分类为健康和患病。选择了674型健康和272型糖尿病（T2D）样品的区分作为概念证明。具有50层（RESNET-50）图像分类模型的残留网络经过训练和优化，以96％的精度提供歧视。从健康人中检测到97％的特异性样本，而来自T2D的人的敏感性为92％。使用NGS微生物组数据DL的图像进行分类，可以在健康和糖尿病患者之间进行精确歧视。将来，该工具可以使肠道微生物组及其因果属的不同疾病和失衡的分类。
B -47 -Beam.pdf -NSSG-血液学
•确保血液学SPR或经过训练且有能力的医师助理并记录在患者记录中的移植前研究结果。•血液学SPR或受过训练和有能力的医师助理完成电子BMT前表B.2.16G，并通过电子邮件发送给BMT管理员以在患者记录中分发和提交。•治疗顾问至少在入院前5天开出化学疗法和干细胞。•在入院前5天，由血液学SPR在电子住院图上开处方的支持治疗。•发送干细胞和免疫疗法的最终报告捐赠和处理表格v4.3.3 SCI至少在计划收集日期之前的7个工作日，并确保将副本放在医疗票据中。•请确保患者从调节开始时就会收到辐射的血液产品。有关详细信息和单学后的个人要求 /持续时间，请参见“成人血液学中使用血液成分的指南”。确保将辐照卡附加到患者的笔记上，并副本给予患者。•确保对所有具有育儿潜力的妇女进行一天-7进行妊娠试验，除非已对其进行灭菌或进行子宫切除术。
透过镜子看人工智能和行为科学：现实世界应用的挑战
摘要背景人工智能 (AI) 正在改变科学研究的过程。人工智能，加上大数据集的可用性和不断增强的计算能力，正在加速遗传学、气候变化和天文学等领域的进步 [NeurIPS 2019 研讨会，利用机器学习应对气候变化，加拿大温哥华；Hausen R，Robertson BE。Morpheus：用于天文图像数据像素级分析的深度学习框架。Astrophys J Suppl Ser。2020；248:20；Dias R，Torkamani A。临床和基因组诊断中的人工智能。基因组医学。2019；11:70。]。人工智能在行为科学中的应用仍处于起步阶段，实现人工智能的前景需要调整当前的做法。目的通过使用人工智能来综合和解释超出人类能力的行为改变干预评估报告结果，HBCP 寻求提高研究活动的效率和有效性。我们通过人类行为改变项目 (HBCP) 期间获得的经验教训来探索行为科学中人工智能采用面临的挑战。方法该项目使用了人工智能算法的迭代开发和测试周期。行为科学专家使用一组已发表的行为干预随机对照试验研究报告，对干预和结果的发生进行了注释。人工智能算法经过训练可以识别自然
神经计算与应用
摘要：脑电图 (EEG) 记录有助于解码张开/闭合手部的动作准备。为此，通过波束形成解决逆问题，提取运动皮层中的皮层源信号（相对于运动开始提前 1 秒）。EEG 源时期用作源时间图输入到自定义深度卷积神经网络 (CNN)，该神经网络经过训练可执行双向分类任务：手闭合前 (HC) 与静息状态 (RE) 以及手张开前 (HO) 与 RE。虽然深度 CNN 效果很好（HC 与 RE 的准确率高达 89.65+-5.29%，HO 与 RE 的准确率高达 90.50+-5.35%），但在本研究中，我们探索了深度 CNN 的可解释性，以进一步了解手部亚运动准备过程中皮层源的隐藏激活机制。具体来说，进行遮挡敏感性分析以调查哪个皮质区域最好参与分类过程。实验结果显示，受试者的皮质激活具有反复出现的空间模式；特别是靠近纵向裂隙的中央区域以及运动前区和初级运动皮质的右颞区似乎参与程度很高。这些发现鼓励深入研究似乎在手的张开/闭合准备中发挥关键作用的皮质区域。
使用机器学习
最近，个体的压力水平一直很高。这增加了个体中风的机会。2015年，中风是冠状动脉疾病后第二大死亡原因，占死亡人数为630万。大约300万人死亡是缺血性中风造成的，而330万死亡是由出血性中风造成的。今天的数字远高于此。详尽且易于使用的工具需要检测中风。随着计算机科学在包括医学科学在内的不同研究领域的发展，这已成为可能。一个机器学习系统是经过训练而不是明确编程的，因为它为获得心脏病的高精度提供了更好的选择。全世界的医疗组织收集有关各种与健康有关的问题的数据。可以使用各种机器学习技术来利用这些数据来获得有用的见解。但是收集的数据非常大，很多时候，这些数据可能非常嘈杂。这些数据集太大了，无法理解人的思想，可以使用各种机器学习技术来探索。因此，这些算法在近期已经非常有用，以准确预测与心脏有关的疾病的存在或不存在。中风是全世界死亡的第二大主要原因，对于个人和国家医疗保健系统而言，仍然是重要的健康负担。该项目的主要目的是建立一个有效的预测
婴儿定向语音有助于语音学习吗？一项机器学习调查
一个著名的假设认为，通过用婴儿导向语音 (IDS) 而不是成人导向语音 (ADS) 与婴儿交谈，父母可以帮助他们学习语音类别。具体而言，据称 IDS 的两个特点有助于学习：过度发音，使类别更可分离，以及多变性，使泛化更具鲁棒性。在这里，我们测试了元音类别学习在日本成人用 ADS、IDS（针对 18-24 个月大的婴儿）或阅读语音 (RS) 发出的语音声学表示上的可分离性和鲁棒性。可分离性是通过计算日语的五个短元音类别之间的距离测量来确定的，而鲁棒性则通过测试六种不同的机器学习算法来评估，这些算法经过训练对元音进行分类，以泛化到 ADS 中新说话者所说的刺激。使用两种不同的语音表示，我们发现，在 RS 的情况下，高清晰度语音可以产生更好的可分离性，并且在 ADS 中，说话者之间的差异性增加可以为某些算法产生更稳健的类别。然而，这些结论并不适用于 IDS，事实证明，与 ADS 输入相比，IDS 既没有产生更可分离的类别，也没有产生更稳健的类别。我们讨论了在真实数据上运行的机器学习算法的实用性，以测试有关 IDS 功能作用的假设。
功能和解剖连接可预测脑刺激的助记效果
闭环直接脑刺激是一种很有前途的调节神经活动和行为的工具。然而，如何最佳地靶向刺激以调节特定认知功能所依赖的特定脑网络中的脑活动仍不清楚。在这里，我们检验了以下假设：刺激的行为和生理效应取决于刺激目标的解剖和功能网络特性。我们在 47 名神经外科患者学习和回忆单词表时施加了闭环刺激。经过训练以预测记忆功能的瞬间失误的多变量分类器在任务的学习阶段触发了外侧颞叶皮层 (LTC) 的刺激。我们发现，当将 LTC 刺激施加到白质通路附近的目标时，记忆力会得到特别改善。对于白质附近的目标，记忆力改善最大，这些目标也显示出与大脑记忆网络的高度功能连接。这些目标还降低了该网络中的低频活动，这是成功记忆编码的既定标志。这些数据揭示了解剖和功能网络如何介导刺激的行为和生理效应，为闭环 LTC 刺激可以改善情景记忆提供了进一步的证据，并提出了一种通过改进刺激定位来优化神经调节的方法。
得益于行波的复用，人类大脑能够在每个时刻对视觉事件进行编年史编码
图 2. 视觉表征从感觉皮质传播到联想皮质。A. 编码分析得出的相关分数，经过训练可根据刺激角度的正弦和余弦预测脑电图活动。B. 每个点对应于使用最小范数估计从脑电图编码拓扑估计的源。x 轴对应于沿后前方向的源位置。y 轴表示每个源中峰值活动的相对时间（顶部面板）或此峰值的强度（底部面板）。星号表示统计显著性（**：p<.01，***：p < 0.001）C. 与 B 相同的数据，但绘制在皮质表面。颜色表示峰值幅度（例如黑色：幅度 = 各个源的中值幅度）和峰值潜伏期（例如蓝色：峰值在各个源的最早响应的 5% 百分位数内，红色：峰值超过 95% 百分位数）。D. 增量和脑电图幅度之间的相关系数。 E-F. 类似分析 tp BC 应用于编码连续刺激之间变化的大脑反应（Delta）。G. 使用角度（sin+cos）和 delta 获得的交叉验证编码分数（Pearson R）。颜色表示 EEG 通道。结果可以在 https://kingjr.github.io/chronicles/ 上以交互方式显示
关于小儿种群骨密度，微体系结构和强度的高分辨率外周定量计算机断层扫描评估的建议
2D数字乳房摄影中微钙化（MC）的抽象准确表征是降低与不确定MC的回调相关的诊断不确定性的必要步骤。MC的定量分析可以更好地识别导管癌或浸润性癌的可能性较高的MC。 但是，MC的自动识别和分割，具有高误报率仍然具有挑战性。 我们提出了2D全场数字乳房X线照片（FFDMS）和诊断放大视图的两阶段多尺度方法。 候选对象首先是使用斑点检测和黑森州分析来划定的。 回归卷积网络，经过训练，可以在MC附近输出具有较高响应的功能，选择构成实际MC的对象。 该方法经过培训并在两个单独的数据集中对435个筛选和诊断FFDM进行了验证。 然后，我们使用我们的方法对248例无定形MC的射击视图进行细分MC。 我们使用梯度树的提升对提取的特征进行建模，以将每种情况分类为良性或恶性肿瘤。 与最新的比较方法相比，我们的方法比联合的均值相交（每图像为0.670±0.121，而每图像0.524±0.034），每个MC对象的交点比每个MC对象（0.607±0.250）（0.607±0.250 ves 0.363±0.278）和0.581 persection persect persect persect persion persion versions 0.581 vers versutions 0.581 vers versus vers versus versus versus versus。 使用我们的方法生成的特征优于比较方法（0.763对0.710 AUC），将无定形钙化为良性或恶性肿瘤。可以更好地识别导管癌或浸润性癌的可能性较高的MC。但是，MC的自动识别和分割，具有高误报率仍然具有挑战性。我们提出了2D全场数字乳房X线照片（FFDMS）和诊断放大视图的两阶段多尺度方法。候选对象首先是使用斑点检测和黑森州分析来划定的。回归卷积网络，经过训练，可以在MC附近输出具有较高响应的功能，选择构成实际MC的对象。该方法经过培训并在两个单独的数据集中对435个筛选和诊断FFDM进行了验证。然后，我们使用我们的方法对248例无定形MC的射击视图进行细分MC。我们使用梯度树的提升对提取的特征进行建模，以将每种情况分类为良性或恶性肿瘤。与最新的比较方法相比，我们的方法比联合的均值相交（每图像为0.670±0.121，而每图像0.524±0.034），每个MC对象的交点比每个MC对象（0.607±0.250）（0.607±0.250 ves 0.363±0.278）和0.581 persection persect persect persect persion persion versions 0.581 vers versutions 0.581 vers versus vers versus versus versus versus。使用我们的方法生成的特征优于比较方法（0.763对0.710 AUC），将无定形钙化为良性或恶性肿瘤。