关键词： 中药二次开发机器学习   真实世界   机器学习   方法学  

摘要： 本文探讨了机器学习技术在中药二次开发的真实世界研究中的作用。中药二次开发，即药物重定位，作为一种创新药物研发方式，与中医异病同治思维相契合，但利用真实世界数据支持中药重定位研究面临诸多挑战。在真实世界研究方案设计与实施阶段，机器学习技术能够高效筛选研究对象、提高研究对象依从性、改善多源异构数据的采集效率和数据质量。在真实世界数据分析阶段，机器学习技术能够处理不同模态数据的特征提取、数据缺失和统计分析，促进真实世界证据的生成。因此，机器学习有望显著推动中药适应症重定位研究，实现从传统经验到数据驱动的转变。

关键词： 机器学习   PU算法   成矿预测  

摘要： 针对成矿预测领域中负样本开采难度大、工作量大，导致成矿预测效果不理想的问题，本文将机器学习技术引入成矿预测研究中，构建了基于PU算法的多金属矿成矿预测模型。首先对模型整体框架进行设计，然后构建数据集对模型进行训练与测试。测试结果表明：基于PU的成矿预测模型收敛速度快，损失值仅为0.08，在测试集上的平均准确率为92.5%,AUC值为0.96，成功预测34个矿点，且不存在非矿点样本，最接近实际矿点数量，仅有1个矿点未成功识别。与基于PCA、RF、SVM的成矿预测模型相比，整体性能良好，识别能力强、分类效果最佳，预测结果最可靠，在样本数据欠缺的情况下，可以获得良好的成矿预测效果。

关键词： 机器学习   锌合金   可生物降解   粉末冶金   力学性能  

摘要： 锌合金作为医用植入材料需具备高强度和一定的硬度以支持骨骼再生。因此，明确满足可降解医用植入器械力学性能的锌合金设计准则具有重要意义。本工作通过实验研究与文献搜集获取了Zn-Mg-Mn合金的力学性能数据，采用面向性能的机器学习（ML）模型，预测了Zn-Mg-Mn合金在不同元素种类与含量、不同合金制备工艺下的抗压屈服强度（CYS）与硬度，进而探究了元素种类与含量对材料微观结构与宏观力学性能的影响规律。本模型基于现有数据集通过对比7种不同ML算法，确定了基于最小近邻（KNN）算法的预测能力最佳（准确率达90%以上）。为进一步验证模型预测的准确性，采用了随机法选取数据集以外的数据与模型结果进行对比分析。同时，应用SHAP值分析方法定量研究了Zn-Mg-Mn合金中2种合金元素、制备工艺与CYS、硬度之间的相关性，发现Mg元素对合金CYS和硬度的影响最大。后续通过微观结构表征分析了单个元素对材料力学性能的影响规律，结果表明元素添加导致的新相(Mg2Zn11,MgZn13)形成对力学性能具有显著影响。最后，根据研究结果提出了Zn-Mg-Mn合金满足医用植入材料的成分配比范围，其中Mg在2.25%～2.50%（质量分数，下同），Mn在2.50%～3.50%时，合金抗压屈服强度和硬度达到植入物标准。

关键词： 人工智能   卷积神经网络   图像隐写分析   多尺度残差   全局特征   大型图像  

摘要： 现有的卷积神经网络（convolutional neural network, CNN）隐写分析模型主要关注隐写图像的局部特征，尽管CNN通过堆叠更深的卷积层来扩展感受野，但在全局特征提取方面仍较为薄弱．对于大尺寸图像，关注全局特征有助于提高隐写分析的效果．提出一种基于CNN-Transformer的混合模型（CNN-Transformer image steganography network, CTS-Net）用于图像隐写分析，该模型能有效地捕捉隐写信号局部与全局的依赖关系．在预处理阶段，采用多尺度残差提取与信息融合，以提高信噪比；在特征提取阶段，结合CNN和Transformer进行局部与全局特征提取，提高了对大型隐写图像的检测精度；最后采用全连接层进行分类．在公开数据集BOSSBase上采用WOW、HILL和S-UNIWARD隐写算法，使用不同嵌入率进行检测，结果表明，在低嵌入率（0.1）下，CTS-Net模型的检测准确率最优；在公开数据集ALASKA#2上采用WOW隐写算法，对16种不同大小图像集进行隐写分析表明，CTS-Net模型在固定大小数据集与异构数据集上能有效利用隐写信号的全局特征，检测准确率高于SRNet、SiaStegNet、CvTNet和CVTS.

关键词： 服装设计   人工智能   文化符号  

摘要： 在数字化技术迅猛发展的背景下,人工智能正在对传统服饰设计模式进行革新,为文化符号的创新应用开辟了新的途径.研究深入探讨了人工智能在文化符号提取、数字化解析以及服饰设计深度应用方面的实践,分析了人工智能如何通过深度学习和生成对抗网络技术重塑文化符号.人工智能技术能够高效地解析传统文化符号,并生成多样化的设计方案,从而提高设计效率和个性化定制能力.具体案例展示了龙纹、祥云等传统符号在现代服饰中的创新转化过程.人工智能不仅推动了服饰设计的智能化与数字化进程,还为传统文化在时尚产业中的应用创造了新的可能性,为全球化语境下的文化交流提供了创新的表达方式.

关键词： 生育   社交媒体   文本分析   机器学习  

摘要： 在中国人口面临剧烈转型，生育率不断走低的当下，生育成为关乎国家发展与个体与家庭生活的一项重要议题，而社交媒体的兴起为理解育龄人群的生育态度提供了契机。研究基于四个不同社交媒体平台超24万条的文本，试图描摹当下中国互联网上有关生育的议题现状，梳理背后话语体系的构建逻辑。基于监督分类的机器学习，文章发现，生育议题高度集中在“生育现状和趋势”“生育困境成因”和“生育支持政策”这三大主题上，它们彼此交叠衍生，共同构成了互联网上有关生育话语体系的基本结构。在面对“生育率降低”这一宏观现象时，人口问题的公共性与生育行为的私事化形成张力，奠定了生育话语体系的情绪基调，成为生育议题叙事的核心特征。针对生育困境的讨论则进一步揭示出当下的低生育水平以“成本约束”下的资源供需困境为主，兼具“价值导向”的文化观念转型，且二者的子类别紧密交织，呈现多维度的相互勾连。与“生育支持政策”相关的讨论在三大议题中占比最高，网络民众的政策诉求集中于综合支持体系的构建、提高支持力度、消解潜在风险等方面。生育议题的公私混合叙事形态及其背后的张力，既是社会转型和个体化进程的产物，也受到社交媒体传播机制的塑造，理解这一张力为解决当下生育困境的提供了可能路径。

关键词： 胃癌   益气导滞方   中药复方   胃肠功能   心率变异性   肠鸣音   人工智能   随机对照试验   中西医结合  

摘要： 目的 研究益气导滞方用于胃癌术后胃肠功能恢复的有效性及安全性。方法 选择2023年4月—2024年4月行腹腔镜胃癌根治术患者67例，采用随机数字法分为治疗组（33例）和对照组（34例）。两组围手术期均采取加速康复外科模式管理，使用人工智能穿戴式心电记录仪、连续肠鸣音听诊记录仪采集数据。治疗组从术后第1—3日口服益气导滞方浓煎剂100 mL，对照组同时间每日口服100 mL清水。比较两组肠功能恢复指标（术后恢复通气时间、术后肠鸣音恢复时间，术后恢复半流质饮食时间、术后3日疼痛评分、术后住院时间），术后心率变异性指标[窦性心律RR间期标准差（SDNN）、NN间期总个数除以NN间期直方图的高度（SDANN）、相邻RR之差大于50 ms的个数占比（p NN50）、低频功率（LF）、高频功率（HF）]，炎症指标[超敏C-反应蛋白（hs-CRP）、白细胞计数（WBC）、白细胞介素（IL）-1β、IL-2、IL-6、肿瘤坏死因子-α(TNF-α)、干扰素-γ(IFN-γ)]、术后并发症情况。结果 与对照组比较，治疗组术后肠鸣音恢复时间、术后首次排气时间更短（P=0.001），治疗组术后第1日的hs-CRP、WBC、IL-1β、IL-2水平更低（P<0.001,P<0.05），治疗组术后第3日的hs-CRP、IL-1β、IL-2水平更低（P<0.001,P<0.05），治疗组术后第3日SDNN、SDANN、pNN50、LF水平更高（P<0.01,P<0.05）。结论 益气导滞方在胃癌术后患者的应用中具有安全性，减轻了术后炎症反应，改善了自主神经功能，能够促进胃癌术后患者的早期胃肠功能恢复。（***注册，***3121729）

关键词： 烧结钕铁硼磁体   矫顽力   机器学习   特征筛选   梯度提升回归  

摘要： 机器学习为预测烧结钕铁硼的矫顽力提供了全新途径。本文研究了基于特征筛选对烧结钕铁硼磁体矫顽力的预测结果影响,构建了包括烧结钕铁硼的组成成分、烧结工艺的数据集,并利用特征筛选对数据集进行优化,简化模型的同时提高模型性能。新模型在预测方面表现出色,能够有效提升模型的预测效果。最终,通过实验验证,所建立的模型在不同组成分的实验数据上表现良好,预测结果与实验值高度一致。

关键词： 机器学习   脑卒中   预后预测   功能恢复   系统评价  

摘要： 目的：如今机器学习算法逐渐被应用于预测脑卒中和心血管疾病方面。与传统回归模型相比，机器学习可以通过探索大量预测特征与结果变量之间的灵活关系，从数据中学习，以实现高预测准确性，为个体化治疗和康复方案的制定提供了新的方法。此文旨在系统评价基于机器学习脑卒中功能恢复及预后的预测模型，综合评估其预测性能及临床应用潜力，为相关预后预测模型的构建、应用及推广提供参考。方法：按照PRISMA指南进行系统评价。通过检索PubMed、EMbase、Web of Science核心数据库、中国知网、万方和中国生物医学文献数据库，筛选出使用机器学习方法进行脑卒中预后预测的相关文献，检索时限为2014-01-01/2024-07-01。由2名研究人员严格按照纳入与排除标准独立筛选文献、提取数据，使用预测模型偏倚风险评价工具评价模型质量。结果：(1)初步检索共获取3 126篇文献，经过筛选和排除，最终纳入18篇研究，共运用13种机器学习方法构建了150个预测模型，其中应用次数最多的3种方法为逻辑回归、随机森林和极限梯度提升(XGBoost)；仅有1项研究开展了外部验证；有8项研究报告了缺失数据的处理方法；(2)结局指标方面有8项研究采用了临床数据与影像学数据结合来构建模型，9项研究仅运用临床数据构建模型，1项研究仅用影像学数据构建模型；(3)18项研究均给出了研究中最重要的特征，其中被提及最多的是美国国立卫生研究院卒中量表和年龄；所有研究均报告了曲线下面积值，范围0.74-0.96，最高为0.96；所有模型的总体偏倚风险均为高偏倚风险，模型分析领域高偏倚风险是导致所有模型总体偏倚风险高的主要原因；(4)Meta分析结果显示年龄和美国国立卫生研究院卒中量表评分对脑卒中预后影响显著，年龄[MD=8.49,95%CI(6.24,10.75),P <0.01]，美国国立卫生研究院卒中量表评分[MD=4.78,95%CI(2.56,7.00),P <0.01]。结论：此次研究系统评价了基于机器学习的脑卒中功能恢复及预后预测模型，模型均具有良好的预测潜力。但未来研究应增加纳入模型样本量，采用前瞻性研究，并且添加对模型的外部验证以提高模型的稳定性和预测准确性，控制偏倚风险，以帮助模型在实际临床应用中的验证和推广，同时应对缺失值的插补更透明和精准。虽然现有的机器学习模型显示出良好的预测性能，但也要注重模型的功能性和可用性，纳入特征多会降低易用性。应开发简便易用的模型接口和用户友好的临床工具，使医护人员能够更好地应用模型进行临床决策。

关键词： 物理信息神经网络   多轴疲劳   寿命预测   机器学习  

摘要： 材料的多轴疲劳寿命预测研究是保证部件结构完整性的关键要素之一。近年来机器学习尤其是神经网络在疲劳寿命预测领域得到了广泛应用。然而，疲劳数据的不足阻碍了神经网络在疲劳预测中的进一步应用。为了解决这一问题，考虑疲劳先验物理知识的物理信息神经网络逐渐受到关注。首先，概述了机器学习算法的分类及神经网络模型在多轴疲劳寿命预测中的应用。然后，重点对基于物理信息神经网络的材料疲劳寿命预测研究进行了深入探讨。最后，从基于物理信息的输入特征、基于物理信息的损失函数构建和基于物理信息的网络框架开发等3个方面对物理信息神经网络模型的发展进行介绍。相关研究表明，在材料多轴疲劳寿命预测过程中，物理信息神经网络可以表现出更好的物理一致性和预测性能。