XiaoMi-AI文件搜索系统
World File Search System诊断模型
基于机器学习的诊断模型...
脑血管疾病（如中风）是全球范围内导致死亡和残疾的主要原因之一，可以预防和治疗。早期识别中风并及时治疗有助于减轻疾病负担并改善临床疗效。由于机器学习技术可用于识别中风，因此近年来引起了广泛关注。该项目的目标是寻找可靠的技术、算法和特征，以协助医务人员就中风预防和治疗做出明智的决定。为了实现这一目标，我们创建了一个早期中风识别系统，该系统使用脑部 CT 扫描结合遗传算法和双向长短期记忆 (BiLSTM) 在极早期识别中风。基于神经网络的遗传方法用于识别图像中与分类最相关的方面。随后将这些特征纳入 BiLSTM 模型。为了评估系统的整体功效，采用了所有这些标准。建议的诊断方法的准确率为 96.5%。此外，我们还根据朴素贝叶斯、支持向量机、随机森林、决策树和逻辑回归评估了建议模型的性能。
针对医学图像诊断模型的对抗性攻击及其缓解技术
深度学习是人工智能的一个分支，已被证明是改变医疗诊断和医疗保健的宝贵工具。通过高效分析海量数据集中的复杂模式，深度学习推动了医学影像分析、疾病检测和个性化医疗的重大进展。具体而言，在医学影像方面，深度学习算法在解释 MRI 扫描、X 射线和 CT 扫描方面表现出卓越的精度，有助于早期识别疾病并改善患者治疗效果。此外，这些模型可以分析广泛的患者数据，以支持疾病诊断和预后，最终实现更精确、更及时的诊断和治疗决策。虽然深度学习模型在医学诊断方面具有巨大潜力，但它们很容易受到对抗性攻击的操纵。这些攻击可能会造成严重后果，可能导致误诊并损害患者的健康。对抗性攻击涉及试图通过向模型提供精心制作的输入（称为对抗性示例）来欺骗模型做出错误的预测。这些示例是合法数据的修改版本，人类无法区分，但会导致模型非常肯定地对其进行错误分类。在医学影像分析领域，即使对医学图像进行微小的修改，例如添加难以察觉的噪声或进行微小的有针对性的修改，也会导致深度学习算法误解数据，从而可能导致误诊或错误的治疗建议。同样，在疾病诊断和个性化医疗方面，对手可能会篡改患者数据，诱使模型做出不准确的预测或诊断。
机器学习，用于开发失代偿性心力衰竭或慢性阻塞性肺部疾病的诊断模型。
信号：HR，OX和它们之间的归一化差异。从这三个时间信号中的每个信号中，时间（平均值和标准偏差）和频率域的特征（第一和第二谐波的特征，所有谐波的总和和对归一化快速傅立叶型[FFT]信号的正常成分分析的六个第一个索引[PCA]的六个索引。因此，获得了每个阶段的13个特征（每次评估的总计26个特征）。标记和要检测到的事件的定义
机器学习用于开发诊断模型的心力衰竭或慢性阻塞性肺部疾病的加剧
心力衰竭（HF）和慢性阻塞性肺疾病（COPD）是两种慢性疾病，对普通人群有最大的不良影响，并且早期发现其代偿性是一个重要的目标。但是，很少有诊断模型实现了足够的诊断性能。该试验的目的是开发基于生理参数的机器学习技术的心力衰竭或COPD加剧的诊断模型。招募了135名因心力衰竭和/或COPD加重而住院的患者。每位患者接受了三项评估：一名在代偿阶段（在住院期间），在补偿阶段（在家中，出院后30天）更连续两名。在每次评估中，心率（HR）和氧饱和度（OX）在步行期间连续记录（用脉搏血氧仪）记录6分钟，然后恢复4分钟。为开发诊断模型，最初通过分类算法选择了与HR和OX相关的预测特性。潜在的预测因素包括年龄，性别和基线疾病（心力衰竭或COPD）。接下来，通过不同的机器学习技术开发了诊断分类模型（补偿阶段与代偿阶段）。根据灵敏度，特异性（E）和准确性（a）评估了开发模型的诊断性能。分析中包括来自22例死亡人力衰竭患者的数据，25例COPD加重患者，两种含量为13例，两种代偿性病变。选择了19个。年龄，性别和基线疾病没有为模型提供更大的歧视能力。S和E值以上80％的技术是逻辑回归（S：80.83％; E：86.25％; A：83.61％）和支持向量机（S：81.67％; E：85％; A：A：82.78％）的技术。诊断模型开发了良好的诊断性能，用于代偿性HF或COPD加重。据我们所知，这项研究是第一个报告可能适用于COPD和HF患者的代偿诊断模型的诊断模型。但是，这些结果是初步的，并有必要进一步研究以确认。
机器学习和基于 MRI 的 ADHD 诊断模型：我们已经到达了吗？
标题：机器学习和基于 MRI 的 ADHD 诊断模型：我们到达了吗？作者：Yanli Zhang-James 1、Ali Shervin Razavi 2,3、Martine Hoogman 4,5,6、Barbara Franke 4,5,6 和 Stephen V Faraone 1,2* 附属机构：1. 纽约州立大学上州医科大学精神病学和行为科学系，纽约州雪城 2. 纽约州立大学上州医科大学神经科学和生理学系，纽约州雪城 3. 纽约州立大学上州医科大学 MD-PhD 项目，纽约州雪城 4. 荷兰奈梅亨拉德堡德大学医学中心人类遗传学系 5. 荷兰奈梅亨 Donders 大脑、认知和行为研究所 6. 荷兰奈梅亨拉德堡德大学医学中心精神病学系 通讯作者：Stephen V. Faraone，博士。纽约州立大学上州医科大学 750 E Adam St, Syracuse, NY, 13210 315-464-3113, 315-849-1839 (传真) sfaraone@childpsychresearch.org 简称：MRI 注意力缺陷多动障碍 (ADHD) 分类器 * 通讯作者
基于Word2vec和Stacking集成学习的文本驱动的飞机故障诊断模型
摘要：传统的飞机维修保障工作主要基于结构化数据。非结构化数据，如文本数据，尚未得到充分利用，这意味着资源的浪费。这些非结构化数据蕴含着巨大的故障知识库，可以为飞机维修保障工作提供决策支持。因此，本文提出了一种基于文本的故障诊断模型。所提方法利用Word2vec将文本单词映射到向量空间，然后将提取的文本特征向量输入基于堆叠集成学习方案的分类器。使用真实的飞机故障文本数据集验证了其性能。结果表明，所提方法的故障诊断准确率为97.35％，比次优方法提高了约2％。