关键词： 桥梁工程   碳纤维增强复合材料   钢筋混凝土梁   抗弯承载力   机器学习  

摘要： 为解决当前碳纤维增强复合材料加固钢筋混凝土梁抗弯承载力预测模型不统一、计算过程烦琐、预测结果精度有限等问题，文章结合桥梁工程和机器学习两个领域，基于已有文献的实验数据，构建、对比了不同机器算法下的预测模型结果，以期为碳纤维增强复合材料加固钢筋混凝土梁的抗弯承载力预测提供一个统一的计算模型，助力我国桥梁工程行业的高质量发展。

关键词： 大黄鱼   宁芯3号   种质鉴定   机器学习  

摘要： 为了高效保护、管理以及利用大黄鱼种质资源,迫切需要开发精准的大黄鱼遗传种质鉴定技术.基于前期开发的大黄鱼"宁芯 3 号"55K液相基因分型芯片,本研究对中国沿海野生群体、闽浙养殖群体和多个选育系共计 21 个大黄鱼群体进行遗传种质鉴定.群体遗传学分析结果揭示大黄鱼群体可划分为南海群体、闽东群体和岱衢群体,其中南海群体遗传分化最为显著.基于机器学习的大黄鱼群体分类结果显示,未知大黄鱼个体所属地理群体鉴定准确率大于99%.未知大黄鱼个体所属遗传改良选育系也具有极高的鉴定准确率,例如经过 3 代选育的抗刺激隐核虫新品系GS3F3,基于神经网络的鉴定精确率可以达到99%.研究表明,利用"宁芯 3 号"芯片和机器学习方法可快速实现大黄鱼种质的精准鉴定.本研究为大黄鱼种质资源精准鉴定和种质管理、育种材料和新品种知识产权保护等提供了有效的工具和解决方案,也可为其他水产生物种质资源鉴定提供借鉴.

关键词： 胆管肿瘤   肝门部胆管癌   肝功能不全   预测模型   机器学习  

摘要： 目的 通过机器学习算法，构建肝门部胆管癌(HCCA)患者肝切除术后肝功能不全(PHLD)的风险预测模型。 方法 回顾性分析河南大学人民医院2017年1月至2023年12月行开腹HCCA根治联合半肝切除术的203例HCCA患者的临床资料，其中男性112例，女性91例，年龄63(55，69)岁。依据PHLD的诊断标准，将患者分为两组：PHLD组( n ＝45)和非PHLD组( n ＝158)。比较两组患者的年龄、性别、中性粒细胞计数(NEU)、系统免疫炎症指数(SII)、营养预后指数(PNI)、中性粒细胞与淋巴细胞比值(NLR)、手术时间、并发症等临床资料。将两组比较差异有统计学意义的变量纳入7种机器学习模型，即：逻辑回归、随机森林、极限梯度提升、轻量梯度提升、决策树、高斯朴素贝叶斯和支持向量机。采取受试者工作特征曲线下面积(AUC)优选模型，使用沙普利加和解释法(SHAP)分析解释最终优选的模型。 结果 PHLD组和非PHLD组HCCA患者在年龄、术前减黄、术前白蛋白、入院总胆红素、术前天冬氨酸转氨酶、术前NEU、术前SII、术前PNI、术前NLR、手术时间、Dindo-Clavien≥Ⅲ级和剩余肝体积/肝脏总体积方面的差异均具有统计学意义(均 P <0.05)。最终确定极限梯度提升模型的预测性能最佳，其在测试集中的AUC为0.888 (95% CI ：0.776～0.985)，准确度为0.854，灵敏度为0.506，特异度为0.965，F1值为0.625，Kappa值为0.519。SHAP分析解释极限梯度提升模型显示，入院总胆红素、手术时间、Dindo-Clavien≥Ⅲ级、术前SII以及术前NEU是该模型的5个重要因素，这5个因素与HCCA患者PHLD的发生均呈正相关。 结论 本研究构建的极限梯度提升算法模型对HCCA患者PHLD的预测性能较好，稳定性较好，具有良好的可解释性和与临床适用性。

关键词： 癌,肝细胞   血管包绕肿瘤细胞簇   微血管侵犯   钆塞酸二钠   机器学习  

摘要： 目的 基于术前多序列MRI的多区域影像组学评分构建预测血管包绕肿瘤细胞簇和/或微血管侵犯阳性肝细胞癌(VM-HCC)的列线图模型。 方法 回顾性分析2016年1月至2021年12月于南通大学附属南通第三医院接受根治性肝切除术的209例肝细胞癌(HCC)患者的临床资料，其中男性149例，女性60例，年龄(58.5±9.2)岁。209例患者分为训练集( n ＝146)和测试集( n ＝63)。146例训练集患者根据病理结果分为两组：VM-HCC组( n ＝76)和非VM-HCC组( n ＝70)。从动脉期及肝胆期图像分别提取瘤内、瘤周及联合感兴趣区影像组学特征，整合相同区域的动脉期和肝胆期组学特征得到双序列特征，经特征筛选后采用线性支持向量机及线性回归机器学习分类器构建不同序列不同区域的影像组学模型，最佳影像组学模型的选择基于测试集受试者工作特征(ROC)曲线下面积(AUC)。logistic回归分析确定VM-HCC的独立预测因子，联合多因素logistic回归分析结果及最佳影像组学模型的影像组学评分构建可视化列线图。绘制ROC曲线并计算AUC评价模型的区分度。采用校准曲线及决策曲线分析(DCA)评估模型的校准度及临床效益。 结果 影像组学模型中，基于支持向量机分类器的双序列-联合区域模型测试集AUC最高(AUC＝0.764，95% CI ：0.646～0.882)。多因素logistic回归分析表明，维生素K缺乏或拮抗剂诱导的蛋白质-Ⅱ(PIVKA-Ⅱ)>40 mAU/ml( OR ＝4.266，95% CI ：1.921～9.473， P <0.001)的HCC患者，VM-HCC的风险高。联合PIVKA-Ⅱ>40 mAU/ml和影像组学评分构建的列线图模型预测VM-HCC的AUC在训练集和测试集中分别为0.806(95% CI ：0.733～0.867)及0.817(95% CI ：0.699～0.903)。列线图校准曲线在训练集及测试集中均拟合良好。DCA表明，模型具有良好的临床效益。 结论 基于多序列MRI的多区域影像组学评分的列线图模型对VM-HCC具有良好的预测效能，并可对HCC患者的复发进行风险分层。

关键词： 隧道火灾   烟气图像   机器学习   火势预测  

摘要： 隧道火灾预测的传统方法是使用传感器,但存在设备老化、误报率高等缺陷,因此需要开发更加高效的火灾预测手段。该文提出一种利用在隧道外安全区域可观测的外部烟气图像和深度学习算法,对隧道内的火源功率和火源位置进行同步预测的方案,首先通过FDS软件构建了100 m长隧道的外部烟气图像数据库,再利用VGG16神经网络框架建立了烟气图像与火源参数间的联系。结果表明,该文所提方案可对隧道火灾进行有效预测;基于隧道双侧正向视角的烟气图像训练所得模型的预测精度最高,对火源功率的预测误差小于25%,对火源位置的预测误差小于10 m;此外,当火源以0～2 m/s速度移动时,该文所提方案依旧可进行有效预测。该文成果可为隧道火灾的智能预测技术提供参考。

关键词： 合成生物学   人工智能   专利分析   技术态势   科技情报  

摘要： 【目的】通过专利分析挖掘人工智能在合成生物学中的应用趋势与分布特征，为该领域的技术创新、研发方向以及产业布局提供实践参考和理论支持。【方法】本研究概述了合成生物学的研究内容和方法，借助专利网络深入挖掘并结合文献分析角度，探究人工智能在合成生物学领域的发展态势。【结果】检索和分析相关专利数据，揭示了人工智能在合成生物学领域的申请和公开趋势，以及主要国家和申请人的分布情况。进一步，从专利角度分析了生物合成基因簇、蛋白质结构分析以及转录因子结合位点等3个技术分支的发展情况。此外，本研究讨论了人工智能在合成生物学应用中面临的挑战，并提出了一些应对建议。【结论】本研究结果有助于深入了解人工智能在合成生物学领域的技术发展脉络，为相关企业和科研机构的研发决策提供参考，强调了人工智能技术在合成生物学领域的重要性，以及其在推动该领域发展中的关键作用。同时，本研究还提出了进一步加强人工智能在合成生物学领域的研究和应用的建议，以期为全球科技竞争态势下的国家科技情报体系建设，尤其是合成生物学的发展提供更多创新思路和技术支持。

关键词： 中医药   人工智能   大语言模型   自然语言处理  

摘要： 采用人工智能技术研发的中医药领域大语言模型,推动了中医药的创新与发展,对中医药的传承和创新具有重要意义。基于大语言模型的研究背景,阐述了中医药领域大语言模型的研究现状和研究过程,包括收集中医药领域数据信息、输入指令数据微调模型及选择不同评估方法评测模型性能三个关键任务。总结了中医药大语言模型的前沿技术,如提示工程、检索增强生成、人类反馈强化学习等理论应用,有效提升了大语言模型在中医药领域各种应用场景中的适应能力。分析了中医药大语言模型仍面临的困难及挑战,在数据隐私、伦理偏见、模型解释、技术难题、评估标准等方面仍需进一步优化提升。展望了未来中医药大语言模型的应用前景,将其与深度学习等先进人工智能技术相结合,并融合中医四诊信息、中药图像数据等多模态信息,可为大语言模型在中医药领域的发展提供新的思路,从而更好地服务中医辨证诊断、中药处方推荐、中医药知识图谱构建、中医药教育等各种应用场景。

关键词： 机器学习   高血压   认知障碍   中西医   治未病   预测模型   XGBoost模型  

摘要： 目的 基于中西医双维特征,借助于机器学习技术构建老年高血压轻度认知障碍(MCI)预测模型。方法 收集分析2020年1月至2023年3月院内就诊的502例60岁以上原发性高血压患者数据,按照7∶3的比例随机划分为训练集和验证集,并将其分为认知障碍组(n=104)和认知正常组(n=398)。运用LASSO回归分析对临床指标数据降维分析,筛选出核心预测因子。采用logistic回归、XGBoost、AdaBoost、SVM、GNB及MLP 6种机器学习算法构建模型,绘制ROC曲线比较6种模型的AUC、准确度、敏感度、特异度及F1分数。SHAP模型揭示预测因子的特征重要性。结果 腰臀比、气郁质、年龄、总胆固醇、痰湿质、湿热质、气虚质和空腹血糖是老年高血压患者早期MCI的核心预测因子。XGBoost模型AUC、准确度、灵敏度、特异度、F1分数分别为0.938、0.885、0.846、0.896、0.755,均优于其他算法模型。结论 基于腰臀比、年龄、总胆固醇、气郁质、痰湿质、湿热质、气虚质和空腹血糖构建的XGBoost模型预测性能最优,可为临床老年高血压群体中MCI风险的早期辨识和诊治决策提供参考依据。

关键词： 手诊   阴阳二十五人   中医体质辨识   深度学习   机器学习  

摘要： 目的 结合机器学习的手诊图像分析,探索阴阳二十五人体质辨识模型的构建,以期丰富体质辨识特征输入。方法 基于阴阳二十五人理论,采用自主研发的手诊采集设备,对542名心血管科就诊患者的手部图像进行标准化采集。通过Mediapipe手掌关键点算法提取手部关键点,利用几何学分割手掌区域,得出不同部位的长度和色域特征,并由具有资质的医师根据电子病历确定患者的阴阳二十五型体质,对比随机森林、逻辑回归、Xgboost算法和LightGBM,对患者进行体质辨识。结果 成功构建了基于手部特征的中医体质辨识模型,能够辨识包括金木、金火、金水、金土、木火、木水、木土、水火、水土和火土在内的十种基础体质类型。在样本均衡化处理后,随机森林模型在体质辨识中表现最佳,准确率达到了0.69,这一结果显著优于其他模型。结论 基于手部特征的中医手诊体质辨识模型能够实现中医五行人体质辨识,但是由于仅使用中医望诊之一的手诊数据,准确率有待提升。相较于传统的体质量表更加具有客观性,具有便捷、高度稳定、一致性强的特点。未来可与面诊、全身躯体望诊等进行多模态融合,促进中医体质辨识技术的精准性、智能化和多维度评估能力。

关键词： 人工智能   AI   新世界  

摘要： ChatGPT刚诞生的2022年底,就算我们把AI当回事,AI却没我们什么事——大厂之间的角力、大国之间的博弈,离大众还很远。但时间来到2024年,日常生活已被AI占据:AI电脑、AI手机、AI软件、AI游戏、AI陪伴,我们真真实实触摸到了AI之躯,它的应用比它的名字还要普及。一个更为强烈的感受是,AI变了。它的“智”和“能”不断进化、迭代,不断引我们到未曾想象的新世界=回望人工智能风起云涌的一年,“AI革命”的进度条,走到哪儿了?