XiaoMi-AI文件搜索系统
World File Search System解释能力
![B'Against心血管疾病和各种人群中的全因死亡率[4，6，7]。因此，由于人口寿命增加的相关性很大，CF的连续测量可以被视为生命体征，因此，这应该是公共卫生的优先事项[8]；但是，CF的定义和评估方式是矛盾的[9 \ XE2 \ x80 \ x93 11]。通常通过测量最大氧气吸收（_ vo 2 Max）来评估CF，作为在心肺运动测试（CPET）中获得的最大有氧力量指数[11 \ XE2 \ x80 \ x93 13]。 _ vo 2 max分别反映了肺，心血管和代谢系统分别捕获，运输和利用氧气的最大能力，这直接受CF的影响[13，14]。但是，CPET期间的_ VO 2最大测量需要受过训练的专业人员和昂贵的设备[15 \ XE2 \ X80 \ X93 17]，并且很少用作一般人群中的预防工具。因此，在CPET期间通过_ VO 2 Max评估的CF均未为所有人群提供，并且无法连续获得。因此，考虑到执行CPET的困难，但是考虑到评估心血管适应性的高临床价值，需要进行连续评估CF的新方法。这些方法在日常生活的无监督活动中，如果在实验室外部进行，则所有人口都可以更现实，毫不动摇，并且可以使用所有人口。](/simg/6\60221f81dd15cb179822a059b2fd30afcae0ffe8.webp)
B'Against心血管疾病和各种人群中的全因死亡率[4，6，7]。因此，由于人口寿命增加的相关性很大，CF的连续测量可以被视为生命体征，因此，这应该是公共卫生的优先事项[8]；但是，CF的定义和评估方式是矛盾的[9 \ XE2 \ x80 \ x93 11]。通常通过测量最大氧气吸收（_ vo 2 Max）来评估CF，作为在心肺运动测试（CPET）中获得的最大有氧力量指数[11 \ XE2 \ x80 \ x93 13]。 _ vo 2 max分别反映了肺，心血管和代谢系统分别捕获，运输和利用氧气的最大能力，这直接受CF的影响[13，14]。但是，CPET期间的_ VO 2最大测量需要受过训练的专业人员和昂贵的设备[15 \ XE2 \ X80 \ X93 17]，并且很少用作一般人群中的预防工具。因此，在CPET期间通过_ VO 2 Max评估的CF均未为所有人群提供，并且无法连续获得。因此，考虑到执行CPET的困难，但是考虑到评估心血管适应性的高临床价值，需要进行连续评估CF的新方法。这些方法在日常生活的无监督活动中，如果在实验室外部进行，则所有人口都可以更现实，毫不动摇，并且可以使用所有人口。
B'Against心血管疾病和各种人群中的全因死亡率[4，6，7]。因此，由于人口寿命增加的相关性，CF的连续测量可以被视为生命体征，因此，这应该是公共卫生的优先事项[8]；但是，CF的定义和评估方式是矛盾的[9 \ XE2 \ x80 \ x93 11]。CF，作为在心肺运动测试（CPET）期间获得的最大有氧功率指数[11 \ XE2 \ X80 \ X93 13]。_ vo 2 max分别反映了肺，心血管和代谢系统分别捕获，运输和利用氧气的最大容量，该系统直接受CF的影响[13，14]。但是，CPET期间的_ VO 2最大测量需要训练有素的专业人员和昂贵的设备[15 \ XE2 \ X80 \ X93 17]，并且很少用作一般人群中的预防工具。因此，在CPET期间由_ VO 2 MAX评估的CF均不能为所有人群提供，并且无法连续获得。因此，考虑到执行CPET的困难，但是鉴于评估心血管健身的高临床价值，需要进行连续评估CF的新方法。在无监督的日常生活活动（ADL）的活动期间，如果在实验室外部进行的所有人口（ADL）[18]，这些方法可能更现实，无障碍和可供所有人口访问。最近，在医学中使用了可解释的模型来更好地证明预测模型的决策[26]。可穿戴传感器和生命信号融合可能代表连续推断CF的独特可能性，从而允许将来使用该技术来预测NCD，尤其是心血管疾病[6，7]。此外，越来越多的研究结合了使用磨损和机器学习技术来监测NCD患者的使用，尤其是在心脏呼吸型领域[19，20]。实际上，来自可穿戴设备的纵向数据似乎包含足够的信息，可以预测来自Com-Plex机器学习算法的无监督ADL的健康志愿者[21 \ XE2 \ X80 \ X93 25]。然而，尽管可穿戴设备和机器学习之间存在着巨大的潜力，但仍然缺乏使用这些技术预测NCD患者的CF的证据，尤其是在糖尿病，慢性肺部疾病和心血管疾病中。此外，了解这些模型如何通过机器学习算法训练，可以将重要信号转换为_ VO 2 Max可能会提供有关志愿者之间CF差异的复杂机械见解。由于_ vo 2最大词语算法的复杂性，基于从可穿戴技术获得的功能[25]，纵向生命信号的解释能力被转换为_ vo 2 max的纵向范围非常低[26] [26]，因为对给定模型的解释性及其性能之间的预期折衷是可以预测的健康及其健康的折算[27]。在本文中，我们调查了Shapley来评估CF预测问题中特征的重要性。众所周知，可穿戴传感器对于可以与机器学习技术相关的连续生物数据采集很有用，例如随机森林回归，神经网络和支持向量回归机器可预测CF [21，25]。因此，理解这些模型还可能表明人类\ Xe2 \ x80 \ x9cblack box \ xe2 \ x80 \ x80 \ x9d生理系统如何与环境相互作用，近似这些复杂算法的解释能力，即我们在使用简单的方法中所体验的内容，例如在线性性回归模型中所体验的内容。Shapley添加说明（SHAP）是一种源自Cociational Game理论的宝贵方法，该方法可用于解释根据从生物学数据获得的监督机器学习方法构建的复杂模型[26，28]。其使用的主要动机依赖于（1）其成为模型不可知论的能力（即，与任何模型相关的解释方法，以提取有关预测过程的额外信息'
关于教学艺术史的变革性观点
本文探讨了艺术史教育中人工智能（AI）的变革潜力。具体来说，本研究试图了解如何有效地将AI纳入艺术史教学法，以增强学生的学习成果并促进创造力。该研究强调了AI的多种应用，包括个性化的学习经验，自动化评估以及学生创造技能的培养。彻底的文献综述提供了有效利用AI工具在研究，教育和艺术中的实用建议，以及有见地的例子以供未来的研究。一个关键发现是AI通过将内容量身定制为个别的学生节奏和兴趣，从而提高学习效率，从而启动新的教育时代。AI还可以减轻教师的评估负担，使他们能够专注于更具吸引力和以学生为中心的活动，同时提高学生在艺术品方面的分析和解释能力。尽管如此，AI的实施引起了道德问题，特别是关于算法中可能导致不公平评估的潜在偏见。因此，遵守道德原则对于在教育中部署AI至关重要。本文中包含的一个案例研究展示了艺术史教育中实用的AI应用，这说明了理论潜力如何在现实世界情景中表现出来。例如，AI工具允许学生探索虚拟博物馆，从不同的角度分析艺术品，并创建自己的数字艺术。总而言之，该研究得出的结论是，AI有可能通过为学生提供更积极和有效的学习，同时为教师提供更具创造力和以学生为中心的方法来彻底改变艺术史教育。但是，对于AI的道德使用并管理相关风险是至关重要的，因为其在艺术史教育中的作用不断扩大。
人工智能在医学中的应用及其关注点
摘要背景：医学正成为一个越来越以数据为中心的领域，超越了传统的统计学方法，人工智能 (AI) 和机器学习 (ML) 正在吸引大量对科学数据分析的兴趣。有人认为，人工智能正在经历快速的商品化过程。这种描述有效地反映了人工智能工业化的现代趋势及其在社会中的普及。因此，与使用人工智能和机器学习相关的社会问题不应再被忽视，事实上，它们不再属于科学领域。这些社会问题也可以有多种形式；然而，所有这些都需要从以人为本的角度设计模型，并纳入与人相关的要求和约束。在这篇简短的论文中，我们讨论了影响 AI 和 ML 在治疗、公平性、隐私和匿名性、解释能力和可解释性方面的一些特殊问题，此外，还讨论了几个更广泛的社会问题和道德规范。我们认为，所有这些都是需要记住的实用因素，以实现全面促进基于 AI 和 ML 的技术普及的目标，并确认关于数字技术对道德和匮乏敏感问题的影响的不断发展的规则。我们的独特目标是反映这些主题如何影响 AI 和 ML 的临床应用。本文包括在西班牙巴塞罗那贝洛特大学医院举行的“第二次科学与透析会议：人工智能”的大部分内容。摘要和关键信息：AI 和 ML 作为从数据中提取知识的关键方法，吸引了科学界的大量兴趣。这些系统正越来越多地扩展到社会影响的范围，包括治疗和医疗保健。影响治疗和医疗保健的社会相关问题包括（尽管它们可能不再局限于）公平、公平性、匮乏、道德和法律。关键词——人工智能、机器学习。
从完整校准到代码调制的视觉诱发电位的零培训 - 脑电脑接口Thielen，J。； Marsman，J.P。； Farquhar，J
抽象目标。通常，由于单个特质和脑电图的非平稳信号属性（EEG），使用用户和会话特异性数据对脑委员会接口（BCI）进行校准。因此，BCIS经历耗时的被动训练阶段是正常的，以防止用户直接操作它们。在这项研究中，我们以逐步的方式系统地减少训练数据集，以最终达到一种无校准的方法，用于代码调制的视觉诱发电位（CVEP）基于BCI，以完全消除繁琐的训练阶段。方法。在广泛的离线分析中，我们将复杂的编码模型与传统的事件相关电位（ERP）技术进行了比较。我们以标准方式校准编码模型，数据仅限于单个类，同时概括所有其他数据，而没有任何数据。此外，我们研究了在线环境中零培训CVEP BCI的可行性。主要结果。通过采用编码模型，可以大大减少培训数据，同时保持分类性能以及ERP方法的解释差异。只有一个类别的数据，甚至根本没有数据，它仍然显示出出色的性能。此外，零训练CVEP BCI在在线拼写任务中达到了高通信率，证明了其可行性用于实际使用。意义。这使我们能够完全跳过训练阶段，并将所有宝贵的时间用于直接操作。迄今为止，这是该场中最快的零训练CVEP BCI，仅使用几个非侵入性水基EEG电极而无需校准而无需校准。这可以最大程度地减少会话时间，并为实用的插件BCI打开了新的令人兴奋的方向。从根本上讲，这些结果验证了所采用的神经编码模型将数据压缩到事件响应中，而没有解释能力的损失与使用完整的ERP作为模板相比。
使用高阶的简单复杂传染
摘要 - 神经退行性疾病的特征是复杂的蛋白质错误折叠的大脑内传播。例如，当前的发现突出了2种特定错误折叠蛋白在阿尔茨海默氏症中的作用，这些蛋白质被认为使用脑纤维作为高速公路传播。先前的研究通过模拟模型或基于机器学习的预测变量调查了这种扩散，这些预测因素采用大脑连接组作为基础扩散网络。但是，构造的结构连接组仅描述图中节点之间的成对连接。高阶相互作用复杂网络比正常图提供了显着的优势，因为它们可以捕获超出简单的成对关系船的交互。蛋白质错误折叠和聚集通常涉及正常图的合作行为或群体动力学，其专注于单个边缘，无法充分代表。蛋白质错误折叠的非线性和多尺度可能更适合更丰富的高阶模型。在这项研究中，我们研究了高阶网络在这种情况下是否可以提供改进的拟合和解释能力。更具体地说，我们采用淀粉样蛋白β的简单复杂传染模型来预测蛋白质错误折叠的扩散。Simplicial Cronagion复合物在2年的地平线和其他结果中，阿尔茨海默氏症患者在所有大脑区域的预测蛋白质沉积中产生了0.030的平均重建误差，胜过先前的研究，尤其是对于错误折叠的蛋白质的病例稳定增长。尽管时间范围有限，但这项研究突出了结合先进网络分析以捕获跨神经网络蛋白质聚集的复杂动力学的潜力。临床相关性 - 这项研究突出了高阶网络在阿尔茨海默氏症中提高错误折叠蛋白传播的预测的潜力，从而更好地洞悉了蛋白质聚集动力学。
生物工程中的人工智能
我们很高兴介绍本期特刊，《生物工程中的人工智能：医学机器人技术，成像和个性化疗法》的开创性进步，在人工智能（AI）和生物工程交叉的相交中的开拓性研究集合。此问题强调了医学机器人技术，成像技术和个性化治疗学的变革性进步，这些进步正在塑造医疗保健的未来。AI驱动的创新正在推进精确医学，并实现了新颖的诊断和治疗方法。例如，谢赫（Sheikh）和吉尔万卡（Jirvankar）的研究[1]探讨了AI在纳米颗粒设计中的应用，以进行精确肿瘤学，并为癌症治疗的新领域提供了新的领域。同样，Hamad，Khoshnaw和Shahzad [2]的研究采用了弹性和敏感性技术来对HIV感染性疾病进行建模，从而强调了AI在复杂疾病建模中的实用性。在计算生物学领域，Sridhar [3]将分叉分析与最佳控制策略相结合，以解决分子网络，证明了AI应用的跨学科性质。此外，Camacho Carlos等人说明了医学机器人技术的进步。[4]，他开发了一种用于人类活动识别的2D CNN-LSTM方法，展示了在医疗康复和机器人技术中的顺序图像处理的力量。总而言之，这些贡献体现了本期特刊的核心主题，从创新计算策略到在个性化医学和道德考虑中应用AI。此外，此外，Hajare，Rewatkar和Reddy的研究进一步说明了AI在增强诊断能力方面的作用[5]，该研究提出了一个可解释的AI（XAI）框架，用于早期预测急性冠状动脉综合征的早期预测，从而取消了基于AI的诊断术中透视和解释能力的重要性。我们作者的合作不仅解决了当前的挑战，而且还解决了生物工程发展的未来进步的道路。
审查CI/CD管道的AI驱动监控和诊断症的进展，Teemu Myllynen 1*，Eunice Kamau 2，Sikirat Damilola Mustapha 3，G
抽象的连续集成和连续部署（CI/CD）管道是现代软件开发的关键组成部分，可以快速地提供可靠的应用程序。但是，确保CI/CD管道的无缝操作仍然是一个挑战，因为管理代码更改，依赖关系和不同测试环境的复杂性。人工智能（AI）的最新进步已引入了CI/CD工作流程中监测和诊断的创新方法，从而显着提高了它们的效率，可靠性和弹性。本评论探讨了监测和诊断CI/CD管道中使用的最先进的AI驱动技术。AI方法（例如机器学习（ML）算法，异常检测系统和预测分析）正在通过识别潜在瓶颈，预测建筑故障并优化资源分配来改变管道管理。关键开发包括AI驱动的日志分析，该分析可自动检测错误模式和根本原因识别，并适应性地管理管道配置以最大程度地减少故障率。本文还研究了自然语言处理（NLP）在分析开发人员反馈和改善团队之间的沟通中的作用。AI驱动的可观察性平台，该平台将来自多个管道阶段的数据集成以提供实时见解，以增强决策和减少停机时间的能力。挑战，例如将AI系统集成到现有的CI/CD框架中，处理大量数据，并确保在AI驱动的诊断中解释能力，以及建议的解决方案。领先技术公司的案例研究说明了AI对CI/CD管道性能的影响，展示了建筑成功率，部署速度和整体运营效率的可测量提高。本评论结束了结论，以识别新兴趋势，例如使用联合学习用于隐私诊断，以及用于自动代码修复的生成AI模型的集成。DOI: https://doi.org/10.54660/.IJMRGE.2024.5.1.1119-1130 Keywords: AI-Powered Monitoring, CI/CD Pipelines, Artificial Intelligence, Machine Learning, Anomaly Detection, Predictive Analytics, AI-Driven Diagnostics, NLP in CI/CD, Reinforcement Learning, Software Development Automation
可解释人工智能的历史视角
然而，为智能系统配备解释能力的原因不仅限于用户权利和技术接受度问题。设计人员和开发人员还需要可解释性来增强系统稳健性并进行诊断以防止偏见、不公平和歧视，以及增加所有用户对决策原因和方式的信任。因此，能够解释为什么做出某个决定已成为智能系统的理想属性（Doran、Schulz 和 Besold，2017 年）。解释应帮助用户理解系统模型，以便维护和有效使用它；它们还应协助用户调试模型以防止和纠正错误的结论。此外，解释可以起到教育作用，并有助于人们发现和理解应用领域的新概念。最后，解释与用户的信任和说服有关，它们应该传达一种可操作性，并让用户相信系统的决策对他们来说是最方便的。尽管如此，对于什么是解释，以及一个好的解释包含什么，并没有明确的共识。它的表现形式已在不同的人工智能系统和学科中得到研究。在本文中，我们从传统方法以及目前正在开发的方法的历史角度来研究可解释人工智能 (XAI) 的文献。相关文献非常庞大，本文并非旨在对 XAI 文献进行完整概述。20 世纪 80 年代中期以后，人工智能中可解释性的概念与专家系统中的概念一起逐渐消退（Buchanan & Shortliffe，1984；Wick & Thompson，1992），而机器学习技术的最新成功（Guidotti et al.，2018）又将可解释性概念带回人们的视野，既适用于自主系统（Nunes & Jannach，2017），也适用于人机交互系统（Holzinger，2016；Holzinger，Plass，et al.，2019），还应用于推荐系统（Tintarev & Masthof，2015）以及神经符号学习和推理方法（Garcez et al.，2015）。对于每个观点，读者都可以找到机器学习和深度学习（Arrieta 等人，2020 年；Fernandez、Herrera、Cordon、Jose del Jesus 和 Marcelloni，2019 年；Guidotti 等人，2018 年；Mueller、Hoffman、Clancey、Emrey 和 Klein，2019 年）、推荐系统（Nunes 和 Jannach，2017 年；Tintarev 和 Masthof，2015 年）和神经符号方法（Garcez 等人，2015 年）方面更全面的文献综述。本文的目的是提供概述并讨论如何构想不同的可解释性概念（分别是解释格式），并提供几个示例。本文的主要贡献是：
社论：人工智能在生物和生物医学成像中的应用
成像是物体结构和功能的视觉表示，例如生物分子、生物超微结构、组织和物体的空间组织。它也是现代医学诊断和治疗不可或缺的一步。例如，在当前由 COVID-19 引起的大流行期间，除了核酸检测外，CT 扫描还被用作诊断的主要标准。与计算机不同，人类大脑对从图像数据中获得的信息的理解和解释能力非常强，而不是解释数字或文本数据。另一方面，随着自动化程度的提高，人工智能方法可以产生更客观、高度可重复的分析结果。因此，开发人工智能方法来补充手动图像分析是有益的。成像在生物和生物医学科学中发挥着越来越重要的作用。借助光学显微镜、荧光显微镜、电子断层扫描、核磁共振、单粒子低温电子显微镜和 X 射线晶体学等技术，生物成像已提供了有关生物系统和分子的丰富信息，涵盖组织水平、细胞水平、细胞器水平、大分子水平、小分子水平和原子水平等各种分辨率。成像在医学诊断和治疗中也具有多种应用，包括超声、计算机断层扫描 (CT)、磁共振成像 (MRI)、正电子发射断层扫描 (PET) 和光学相干断层扫描 (OCT)。这些技术可以为临床医生和医师提供快速、无创、无痛和直接的信息，这不仅对诊断至关重要，而且对预后和治疗也至关重要。随着人工智能技术（尤其是深度学习）的最新发展，生物和生物医学成像的前沿领域得到了极大的推进。在本研究课题中，我们收集了 16 篇高质量论文，这些论文涉及开发或应用最先进的 AI 技术来处理、信息挖掘、整合、诊断、比较和审查生物和生物医学成像，以及它们在生物学、诊断和治疗中的应用。本研究课题共接受 16 篇论文。每篇论文由一位客座编辑处理，并由至少两位审稿人审阅。我们非常感谢审稿人帮助我们为本研究课题挑选出这些高质量的论文。被接受的论文侧重于开发 AI 算法和系统来处理、分析、解释和挖掘生物医学和生物成像数据。我们首先提供一个发人深省的关于放射学诊断服务未来的视角（Seong 等人）。放射学一直是医疗保健数字化转型的领先技术，它再次站在下一代转型的十字路口，有可能发展成为一站式综合诊断服务。人工智能有望为放射学提供新的强大的数字工具，以促进下一次转型。本文提出了人工智能在放射学中发挥作用的三条途径：（1）提高 CAD 的性能，（2）通过人工智能辅助工作流程提高放射服务的生产率，（3）开发