关键词： 隧道   体素模型   机器学习   特征融合   空间插值  

摘要： 隧道施工至围岩破碎带时易引发塌方冒顶、突水突泥等地质灾害，为全面提升动态优化设计能力以及多场耦合风险分析的精度与效率，本文提出一种融合多源短距离超前预报数据的破碎围岩建模方法。首先，基于机器学习算法精准提取掌子面影像、地质雷达图像中的破碎围岩特征信息；然后，结合两类数据所具备的几何特征与语义特征，在统一的时空基准框架下完成配准与融合，生成统一的语义点集；最后，构建密集体素网格，遍历各体素邻域范围内的语义点集，采用反距离权重插值算法构建三维破碎围岩体素模型。以典型长大深埋隧道为案例开展实验评估，并将体素模型与配准后的加深炮孔数据进行体素化处理及属性对齐对比分析。结果表明：所建体素模型在破碎风险区域的平均分类准确率为83.31%，非风险区域为82.89%；与炮孔数据在体素尺度的时空分布上具有较高一致性，能够有效地刻画破碎围岩在动态开挖过程中的时空演化特征。

关键词： 产业评估   人工智能   专利分析   大语言模型   密度峰值聚类   技术对标有向图  

摘要： 在人工智能（AI）技术加速演进的背景下，AI与产业融合发展趋势渐显并成为推动产业转型升级的核心动力，因而产业智能化评估和结构分析重要性显现且需求迫切。本文提出了AI与产业融合发展评估（Patent-AIIIA）模型，利用大语言模型深入挖掘了专利数据与AI技术的内在联系，结合BGE文本向量化模型、统一流形逼近与投影降维算法形成了专利的问题空间和方案空间，基于密度峰值聚类算法、信息熵理论构建了产业跨度和技术宽度的指标量化方法，最终实现对产业整体和单个集群的全面评估能力。应用Patent-AIIIA模型对某地区先进装备制造业的多类产业集群进行实证研究，分析了产业跨度和技术宽度指标、AI技术产业集群分布、企业技术对标等情况，验证了相关模型的实用性。基于相关评估结果，提出了实施针对性的产业激励政策、优化产业集群的AI技术布局、构建以龙头企业为核心的协同创新网络等先进装备制造业发展建议。Patent-AIIIA模型可视为具有从宏观到微观特性的通用分析模型，具备拓展至多领域的应用潜力，可为企业战略规划、产业政策制定等提供数据支撑和科学依据。

关键词： 上尿路结石   尿源性脓毒血症   机器学习   风险预测模型  

摘要： 目的　利用多种机器学习算法构建并验证上尿路结石患者术后并发尿源性脓毒血症的预测模型。方法　纳入2018年6月至2023年6月在广西医科大学第六附属医院接受手术治疗的7 464例上尿路结石患者，按7∶3分为训练集和验证集。采用极限梯度提升（XGBoost）、logistic回归、轻量级梯度提升机算法（LightGBM）、随机森林（RF）、自适应增强（AdaBoost）、梯度提升决策树（GBDT）6种机器学习算法构建模型，并通过ROC曲线、沙普利加性解释（SHAP）分析、校准曲线和决策曲线分析（DCA）评估模型的预测能力和临床效益等。结果　纳入模型的临床参数包括BMI、手术次数、心率、Barthel指数、静脉血栓（VTE）风险评估、性别、美国麻醉医师协会（ASA）分级、尿亚硝酸盐及尿白细胞。在训练集中，XGBoost、LightGBM和RF模型表现优异，ROC曲线AUC值均达到了1.00。在验证集中，logistic回归模型表现最佳，ROC曲线AUC值为0.76，具有较好的预测稳定性和校准度；AdaBoost和GBDT模型次之，AUC值分别为0.74和0.75，而LightGBM、XGBoost和RF模型的AUC值分别为0.71、0.70和0.68。在模型的可解释性方面，SHAP分析显示，变量贡献度由大到小依次为心率、尿白细胞、性别、BMI、Barthel指数、VTE风险评估、尿亚硝酸盐、手术次数和ASA分级。结论　成功构建了上尿路结石术后并发尿源性脓毒血症的早期风险预测logistic回归模型，该模型具有较好的预测性能和校准度，可有效辅助临床诊断。

关键词： 人工智能   工匠精神   泛在化培育   文化根性   技术理性  

摘要： 人工智能技术通过三重作用机理重塑工匠精神培育体系：一是突破时空限制实现泛在化培育；二是构建工艺知识图谱提升传承创新能力；三是依托人机协同重构培育场景。与此同时，人工智能赋能工匠精神培育面临着传统模式与现代形态的认知冲突、数据困境与知识异化的双重危机、制度真空与利益博弈的结构矛盾、文化根性与技术理性的价值冲突等现实问题。为此，需要构建智能技术赋能工匠精神培育的场景、创新工匠精神培育的智能教育模式、完善工匠精神培育的综合体系。

关键词： DNA计算   人工智能   生物分析   生物信息学  

摘要： DNA计算作为一种开创性的技术，利用生物分子执行数据存储、问题求解和逻辑操作等计算任务，为突破传统计算的瓶颈提供了新途径。随着其技术的不断发展，DNA计算在复杂性、错误率及效率等方面的挑战愈加凸显。人工智能(AI)的发展为DNA计算带来了优化与提升的重要契机。特别是在数据分析、模型优化及错误修正领域，AI技术的运用显著提升了DNA计算的效率、精确性和稳定性。本文综述了AI算法的分类，深入探讨了AI如何赋能DNA计算，特别是在优化计算流程、强化逻辑门功能及改进错误修正机制方面。此外，本文还总结了AI与DNA计算在生物信息学前沿的重要应用，包括基因组学、蛋白质结构预测、疾病诊断与精准医疗等领域。展望未来，随着AI技术与DNA计算的持续革新，两者结合的应用范围将进一步拓宽，有望成为推动生物科学发展的重要驱动力。

关键词： 人工智能   思政课教师   角色转变   新时代教师  

摘要： 人工智能技术的崛起，给教育带来深刻影响，需要重审学校教育功能，教师角色也将重塑。思政课教师的角色定位，主要通过党的创新理论传播，为时代新人锻造思想根基。目前，思政课教师角色面临的挑战有智能算法裹挟价值观挑战教师道德引导权威、智能机器生成教学类主体冲击教师知识传播权威角色等。为此，思政课教师要从道德引导者转变为学生健康成长的引路人，从课程学习决策者转变为学生学习的促进者，从理论传播者转变为善用智能技术的新时代教师这三个维度来重塑自己的角色。

关键词： 人工智能   经济发展   生产率提升   人工智能治理  

摘要： 随着新一轮科技革命与产业变革加速演进，以人工智能为代表的新一代信息技术正在成为经济高质量发展的新动能。在微观层面，人工智能通过提高要素利用率促进效率升级，释放要素投入的增长潜力；在中观层面，人工智能通过推动产业升级提高产业竞争力，夯实经济发展的物质基础；在宏观层面，人工智能通过加快创新驱动提升全要素生产率，激活高质量发展的关键变量。需要指出，人工智能在赋能经济发展的进程中存在阶段性的风险与挑战。一方面，由于存在“索洛悖论”，人工智能并未显著带动生产率提升；另一方面，人工智能广泛应用加剧就业总量压力与就业结构矛盾，产生安全风险与治理不足的问题，对经济增长产生负外部性。为了充分发挥人工智能的赋能作用，我国需要统筹好发展与治理的关系，既要通过技术进步实现生产率的大幅提升加快人工智能发展；又要完善人工智能治理框架，引导人工智能健康、安全发展。

关键词： 场景图生成   计算机视觉   人工智能   视觉关系检测  

摘要： 场景图生成是计算机视觉领域的一个重要任务，旨在对视觉场景有一个全面且深度的理解，着重于识别实体以及实体之间存在的关系，最终要求模型输出一系列三元组（主体-谓词-客体）和一个图结构的场景表示。这对模型的理解能力和推理能力提出了更高的要求。现有的场景图生成方法在现阶段取得了巨大的成功，然而大多数模型存在参数量太大或对谓词（即实体之间的关系）的判断不准确的问题。为了能够解决这些问题，本文提出了一个端到端的粗-精网络（Rough-and-Refine Model, RRM）场景图生成方法，整个模型包括粗网络和精网络两部分。一方面，粗网络负责提取场景中的各种基本信息，包括图像特征、实体特征和谓词特征。该部分利用Transformer架构，通过卷积神经网络和编码器的结合进行特征提取，获取图像特征。紧接着设计了实体解码器和谓词解码器，分别计算得到实体特征和谓词特征。另一方面，精网络利用粗网络中的场景信息，做进一步的信息交互，使模型获得更精确的预测能力。首先用三元组查询生成模块获得主体查询、客体查询以及谓词查询，然后分三条路径分别计算三元组的三个不同部分的表示。在不同路径中，设计了特征信息聚合模块、实体信息聚合模块和谓词信息聚合模块，加强模型对场景的理解。并且用路径之间的连接使模型在谓词的表示中更多地考虑主体和客体的信息。本文提出的模型在公开数据集Visual Genome上取得了优秀的成绩。在R@20、R@50、R@100评价指标上达到23.8、29.1、32.5；在mR@20、mR@50、mR@100指标上达到7.7、11.0、12.4。实验数据和可视化结果充分展现了本文提出的模型对场景的理解能力。

关键词： 颅脑损伤，创伤性   疾病进展   断层摄影术，X线计算机   深度学习   机器学习   血肿   临床恶化   算法  

摘要： 目的 探讨中型创伤性颅脑损伤（mTBI）患者延迟恶化特征及相关因素，构建影像延迟恶化评估模型。方法 采用多中心回顾性队列研究设计，纳入2015年1月至2022年12月收治的363例mTBI患者，其中训练集233例（单中心）、验证集166例（多中心）。基于nnUNet深度学习框架实现CT影像的自动化出血/水肿分割及脑区分区，结合CATBOOST机器学习算法构建以“入院72 h内脑挫伤体积进展>80%”为结局事件的预测模型。通过Shapley加性解释（SHAP）解析关键预测因子，并采用SMOTE重采样与交叉验证优化模型效能。结果 最终模型AUC达0.80（95% CI：0.76?0.84），显著优于传统评分系统。SHAP分析显示，颞叶血肿体积（SHAP值6.31）、血肿长轴（SHAP值5.15）、白细胞计数（SHAP值4.68）、纤维蛋白原（SHAP值4.07）、水肿体积（SHAP值3.85）及血清钙（SHAP值3.72）为关键预测因子。模型验证显示准确率80.65%，F1分数0.79，具备良好的临床鉴别能力。结论 基于mTBI患者入院病例资料构建的CATBOOST模型整合多模态数据，系统量化了病史资料、脑挫伤病灶形态学参数与全身炎症/凝血指标的协同预测价值，为mTBI分层管理提供智能化决策工具。

关键词： 机器学习   风工程   结构风效应   流固耦合   振动控制  

摘要： 随着计算技术与数据科学的迅速发展，机器学习为解决大型结构风效应中复杂流固耦合问题提供了全新的研究范式。本文系统综述机器学习在大型结构风效应领域的研究进展，涵盖了结构表面风压预测、结构风致响应分析与建模、气动力方程智能识别以及基于强化学习的结构振动控制四个主要研究方向。具体而言，结构表面风压预测方面，机器学习能够精准地挖掘结构表面复杂非线性风压场特征；结构风致响应分析与建模中，机器学习有效实现了大型结构异常大幅振动识别与精细化建模；对于气动力方程智能识别领域，基于数据驱动的机器学习方法大幅提高了非线性方程识别的自动化程度与准确性；在结构振动控制方面，强化学习实现了实时、高效的主动控制策略优化。然而，当前研究在数据融合、模型泛化性与物理可解释性方面仍存在明显不足。未来的研究需进一步融合物理机制与数据驱动模型，构建具备高泛化性、鲁棒性和物理解释能力的机器学习模型，推动结构风工程进一步智能化发展。