关键词： 倾向性得分匹配   正电子发射断层显像/计算机体层成像   影像组学   机器学习   孤立性肺结节  

摘要： 目的 纳入临床资料与倾向性得分匹配的患者,探讨18F-氟代脱氧葡萄糖(18F-FDG)PET/CT代谢参数与影像组学鉴别孤立性肺结节(SPN)良恶性的价值.方法 回顾性选取54例SPN患者(良、恶性各27例),均行18F-FDG PET/CT检查,分析代谢参数并建立代谢参数模型;勾画病灶后通过方差和相关性分析筛选特征,使用logistic回归构建模型,使用平衡精度(bACC)比较代谢参数模型与影像组学模型的效果.分析代谢参数和影像组学特征之间的相关性.结果 恶性最大标准化摄取值(SUVmax)、病灶总摄取量(TLU)和变异系数(COV)均高于良性(P＜0.05),其中,SUVmax和COV对恶性病灶均有正向预测价值[比值比(OR)＞1,P＜0.05].代谢参数模型的效果与影像组学模型无统计学差异(P＞0.05).影像组学特征与代谢参数之间具有良好的相关性.结论 使用倾向性得分匹配临床数据后,代谢参数与影像组学在鉴别SPN良恶性的效果无统计学差异.

关键词： 衰弱   脑白质病变   老年人   机器学习   预测模型  

摘要： 目的 基于4种机器学习算法运用电子病历数据构建老年脑白质病变（white matter lesions，WML）患者衰弱风险预测模型，并比较各模型预测效能优选最佳模型。方法 采用目的抽样法，于2023年2月—8月选取在贵阳市某三级甲等医院神经内科病房住院的520例老年WML患者为研究对象，从医院电子病历系统中提取候选预测变量，采用FRAIL量表评估患者衰弱发生情况。将数据按7:3的比例随机拆分为训练集（n=364）和验证集(n=156)，在训练集上采用支持向量机（support vector machine，SVM）、随机森林（random forest，RF）、多层感知机（multi-layer perceptron，MLP）和自适应增强（adaptive boosting，AdaBoost）4种机器学习算法构建模型，最后以模型在验证集上的预测性能评价结果为依据挑选出最佳模型。结果 老年WML患者衰弱检出率为39.4%，最终筛选出年龄、血肌酐、日常生活活动能力、白蛋白和体质指数共5个预测因子，4种算法中基于MLP的模型整体表现相对最佳，AUC为0.75（95%CI：0.66～0.83）、准确率为0.71。结论 基于MLP算法的老年WML患者衰弱风险预测模型预测效能最佳，且预测效果良好，可用于早期识别老年WML患者衰弱高风险人群，为衰弱的精准预防和个体化干预提供参考依据。

关键词： 双层社交网络   机器学习   虚假评论   MiniLMBERT模型   随机森林  

摘要： 在这个数字时代飞速发展的环境下，在线网络评论对消费者决策过程和市场竞争具有重要影响，随着识别虚假评论技术的不断发展，基于文本特征、评论者行为特征、文本-行为特征联合和单层网络特征方法是近些年比较流行的方法。然而，现有的虚假评论检测方法在识别隐蔽关联信息方面存在局限。因此，本文提出了一种基于评论相似度网络与评论得分差网络的双层网络识别虚假评论的模型。首先，将清洗后的文本数据通过MiniLMBERT预训练模型将评论文本计算为句子嵌入向量；之后，将评论作为节点，相似度和评论间的得分差作为节点间的关系，分别构建一个评论相似度网络与评论得分差网络；最后，利用二进制坐标上升算法（BCA）提取局部重点特征，以此提高模型识别虚假评论的性能。实验采用[He，S]采集的Amazon上商家购买虚假评论的数据集，实验结果表明，基于评论相似度网络与评论得分差网络的双层网络模型在数据集上的准确率、F1评分等指标方面取得了良好的效果，显著优于现有的部分模型，研究结果为电子商务平台治理虚假评论提供了新的技术路径和理论依据。

关键词： 水下光通信   自适应光学   波前校正   机器学习  

摘要： 水下光通信相较于水下射频通信和声通信具有高数据传输速率、低延迟和较强抗干扰能力等优势，逐渐成为研究热点。然而，复杂的水下环境对光信号传输造成了波前畸变等现象，显著影响通信稳定性。自适应光学技术通过实时校正波前畸变，有效提升了传输性能。本文首先综述了自适应光学在水下光通信中的研究进展，重点讨论了湍流环境对光信号传输的影响，以及Shack-Hartmann波前传感器与无波前传感器方法的应用；然后探讨了基于机器学习的波前校正技术的优势，并对不同校正技术在实际应用中的性能进行了对比分析；最后总结了当前研究的局限性，并展望了未来在跨介质传输、实时校正与多模态融合等方面的潜在发展方向。

关键词： 地上生物量   机器学习   XGBoost   Sentinel-1   Sentinel-2  

摘要： 森林地上生物量反映森林生态系统的物质循环，是衡量森林结构和功能变化的重要指标。本研究以美国迪斯默尔沼泽为研究区，以Sentinel-1和Sentinel-2为数据源，通过分析各遥感因子与实测森林地上生物量之间的重要性关系筛选变量。联合机器学习算法构建了森林地上生物量估算模型，估算迪斯默尔森林地上生物量，并绘制该地区的地上生物量地图。研究结果显示，基于多源数据模型的估算精度优于单一数据源模型的估算精度，其R2值均超过了0.8；对比各机器学习算法，基于多源数据的XGBoost算法建立的模型反演效果较好（R2=0.88,RMSE=46.13t/hm2，MAE=36.30 t/hm2）；应用XGBoost算法建立的模型绘制迪斯默尔森林地上生物量图，该地区生物量介于73.89～586.10 t/hm2，平均森林地上生物量为223.75 t/hm2，存在明显的空间分异特征。由此得出结论，基于多源遥感数据，联合XGBoost算法建立的森林地上生物估算模型具有较好的结果，应用模型绘制的森林地上生物量地图，可为评价森林生态系统碳汇及分析物质和能量流动提供科学依据。

关键词： 青藏高原   土壤湿度   星基GNSS-R   CYGNSS   机器学习   随机森林  

摘要： 青藏高原的土壤湿度是全球水循环与气候变化的重要参数，但该地区复杂的地形及气候条件使土壤湿度的准确监测面临诸多挑战。本文基于全球导航卫星系统反射信号（GNSS-R）技术反演2020–2023年青藏高原解冻期（6–9月）土壤湿度，以旋风全球导航卫星系统（CYGNSS）提供的延迟多普勒映射（DDM）数据作为主要观测量，通过将欧洲第五代全球气候和天气再分析（ERA5）、美国全球陆面数据同化系统（GLDAS）、中国气象局陆面数据同化系统（CLDAS）再分析土壤湿度及土壤湿度主-被动遥感卫星（SMAP）卫星土壤湿度产品与那曲实测数据进行对比，评估各土壤湿度数据集在青藏高原地区的适用性，并提出融合地理差异和地形因素的星基GNSS-R青藏高原地区土壤湿度随机森林算法反演模型，并对反演结果进行验证。结果表明：与那曲地区实测数据相比，ERA5和CLDAS土壤湿度产品均能很好地反映青藏高原地区土壤湿度变化；不同土地覆盖类型下地表反射率与辅助参数之间的相关性具有显著差异，土壤湿度反演过程中需要考虑土地覆盖类型的影响；CLDAS和ERA5土壤湿度进行赋权结合作为目标参数能够提高青藏高原地区星基GNSS-R土壤湿度反演的精度和可靠性。

关键词： 情报洞察   大语言模型   知识增强   人工智能   情报服务  

摘要： [目的/意义]为应对数智时代背景下科技创新对情报洞察提出的智能化挑战,系统性梳理智能科技情报洞察的内涵、实现路径与发展挑战,旨在提升动态整体观下的智能化科技情报服务能力。[研究设计/方法]聚焦于科技情报场景,基于悟性思维、DIKW理论等探究智能科技情报洞察的内涵;通过梳理知识增强大语言模型的核心能力与工作流程,明确其赋能智能科技情报洞察的理论逻辑,并提出知识增强大语言模型驱动的智能科技情报洞察实现路径;最后总结智能科技情报洞察所面临的时代挑战。[结论/发现]以人工智能技术为代表产物的跨时代科技跃迁必定会催生智能科技情报洞察。知识增强大语言模型将作为技术引擎赋能智能科技情报洞察的知识关联统合能力、知识处理分析能力、情报理解生成能力和情报应用优化能力。[创新/价值]提出了智能科技情报洞察概念并构建了基于知识增强大模型的实现路径,有助于指导智能科技情报洞察的技术研究和服务产品开发。

关键词： 乳腺癌   神经周围侵犯   磁共振成像   影像组学   机器学习  

摘要： 目的 探讨机器学习基于乳腺癌MRI影像学特征在预测浸润性乳腺癌神经周围侵犯(PNI)中的诊断效能.方法 回顾性分析经手术病理证实的294例浸润性乳腺癌患者资料,将患者以7∶3的比例随机分为训练集(205例,PNI 77例)和验证集(89例,PNI 33例).通过对训练集进行单因素logistic回归临床-影像学特征筛选,构建10个机器学习模型.利用曲线下面积(AUC)、准确性(ACC)、敏感度(SE)、特异度(SP)、阳性预测值(PPV)、阴性预测值(NPV)指标评估不同模型对PNI的预测效能,获得最佳模型;利用沙普利加性解释(SHAP)可视化分析该模型的诊断过程.结果 在验证集中,多层感知机(MLP)模型表现最优,AUC、ACC、SE、SP、PPV、NPV分别为0.91、0.89、0.79、0.95、0.90、0.88.结论 使用MLP机器学习模型构建的乳腺癌MRI影像学特征模型,可以有效预测浸润性乳腺癌术前PNI情况.

关键词： 光伏阵列   故障诊断   电流-电压曲线   机器学习   CatBoost  

摘要： 光伏阵列在运行过程中,可能会受到多种因素的影响,导致不同类型的故障。通过机器学习算法,可以实现光伏阵列数据的实时监测、故障诊断和预测性维护,这种方法不受地理环境的限制,能够提高系统的可靠性和效率。光伏阵列的电流-电压(I-V)曲线是一项重要的指标,包含了大量关于光伏组件健康状况的信息,对于及时发现故障、评估健康状况至关重要。然而,现有方法只对来自I-V曲线的部分信息提取进行诊断分析,没有更深入地挖掘I-V曲线中的所有信息,能检测到的光伏阵列故障十分有限。针对以上问题,首先提出一种I-V曲线校正算法用于修正辐照度和温度对同一故障类型特征表现的影响,有效消除环境变量对故障特征表征的耦合效应。然后,利用CatBoost模型实现光伏阵列小样本高精度的实时故障智能诊断,并且利用麻雀搜索算法对模型的关键超参数进行优化。最后,为了进一步提升麻雀搜索算法的寻优能力,通过引入融合精英反向学习策略和柯西高斯变异策略改进麻雀搜索算法,使其在优化CatBoost模型中达到最佳效果。结果表明,利用模拟数据和现场数据分别进行模型的训练及故障诊断,测试集出现仅一个和两个误诊的样本,深度优化的集成学习模型CatBoost的分类准确率均达到99.9%。

关键词： 有机化学实验   人工智能   资源整合   多元化教学模式  

摘要： 文章就人工智能在有机化学实验教学中的应用展开探讨,剖析传统有机化学实验教学模式的特点,阐述人工智能应用到有机化学实验教学中所呈现出的优势,结合其面临的各项挑战给予应对的策略,并对以后的教学模式进行展望,为有机化学实验教学的创新发展提供一定参考.