关键词： 抽动障碍   ADHD   机器学习   风险评估模型   风险因素  

摘要： 目的：基于机器学习方法构建抽动障碍（TD）共患注意缺陷与多动障碍（ADHD）的风险评估模型及筛选风险因素。方法：调查收集363例TD患儿的临床及人口学和家庭环境信息作为研究数据。采用准确率、精确率、召回率/灵敏度、特异度、F1值及ROC曲线下面积（AUC），比较基于Logistic回归、朴素贝叶斯（NB）、随机森林（RF）、K最近邻（KNN）分类算法和支持向量机（SVM）5种机器学习方法的TD共患ADHD风险评估模型的性能。采用RF算法进行特征重要性排序和采用多因素Logistic回归分析筛选风险因素。结果：在准确率指标上，NB模型表现最优；在F1值、召回率/灵敏度指标上，Logistic回归模型表现均最优；在精确率、特异度指标上，SVM模型表现均最优；NB、RF、Logistic回归模型的ROC曲线AUC较大（分别为0.896、0.891、0.882）。RF算法显示TD病情严重程度、家庭教养方式、合并行为问题为特征重要性排序前三位的因素，多因素Logistic回归分析显示TD病情中重度（OR=25.92,95%CI:12.18～55.13）、合并行为问题（OR=3.72,95%CI:1.89～7.33）、放纵型家庭教养方式（OR=2.59,95%CI:1.05～6.40）是TD共患ADHD的危险因素。结论：机器学习模型可用于TD共患ADHD的风险评估。TD病情严重程度、合并行为问题、家庭教养方式是TD共患ADHD的显著风险因素。

关键词： 图书情报学   人工智能   BERTopic模型   长短期记忆网络   主题预测  

摘要： [目的/意义]本文旨在梳理人工智能（AI））在图书情报学（LIS）中的研究进展及未来趋势，为LIS学科的研究方向规划、资源配置及科研政策制定提供重要参考。[方法/过程]基于BERTopic模型识别研究主题，采用主题强度和主题词共现网络追踪主题及知识结构演变，并利用长短期记忆网络（LSTM））预测主题发展趋势，全面展现LIS学科中AI研究的动态和未来趋势。[结果/结论] 主题演化分析表明，临床数据分析与健康信息模型、信息检索、社交媒体情感分析和AI决策是LIS学科AI研究的持续核心主题。主题词共现网络的演变揭示，研究重心逐渐从传统的数据驱动向大语言模型的广泛应用转移，未来研究将更加聚焦于大语言模型的构建、解释及应用。LSTM模型预测显示，信息检索、引文分析、AI治理和人机交互与信任四个主题将在未来几年呈现显著的增长趋势。此外，AI与图书馆服务、AI算法公正与偏见以及数据隐私与安全等主题也展现出成为潜在热门主题的增长潜力。[创新/局限]本研究首次在LIS学科中结合BERTopic和LSTM模型，进行更具前瞻性和应用价值的主题演化分析与趋势预测。研究的局限在于模型预测依赖单一数据维度，未来研究需引入多维特征，以提高预测的准确性和科学性。

关键词： 营养风险筛查   人工智能   效果评价  

摘要： 目的:通过比较智能营养风险筛查系统与医生使用人工筛查方法在住院患者中的应用效果，为全面展开营养风险筛查工作提供一种更加高效、准确的方法。方法:采取同步对比的方法，选取广西壮族自治区人民医院2023年1—6月2 586例住院患者，同时采用两种不同的方法进行营养风险筛查。在入院后24 h内由营养医生利用营养风险筛查2002（NRS 2002）评分表和儿科营养不良筛查表（STAMP）对患者进行营养风险筛查，同时使用智能营养筛查系统从医院电子病历信息系统中智能化提取筛查相关的数据指标，如疾病诊断、体重变化、进食减少情况、血清白蛋白、年龄等，对患者进行营养风险评分。使用 χ 2检验比较两种营养筛查方法的结果差异，用准确性、灵敏度、特异度及Kappa值分析比较两种营养筛查方法的评分差别。 结果:通过医生筛查发现 680例（26.3%）存在营养风险，同时智能营养风险筛查系统检测出647例（25.0%）存在营养风险。与医生筛查相比，智能营养风险筛查系统有较高的灵敏度（95.1%）、特异度（98.7%）和准确性（98.3%），有33例（1.3%）医生判定为有风险的患者未被智能系统识别。医生人工筛查与智能筛查系统结果一致性较高（Kappa=0.938， P<0.001）。智能筛查系统与医生人工筛查的结果比较，营养风险组和无营养风险组分组人数差异无统计学意义（ P=0.301）;不同筛查方法营养评价对称度比较Kappa=1。 结论:智能营养风险筛查系统可替代营养医生用于筛查和早期识别大部分住院患者是否存在营养风险，基本实现智能化、高效率营养风险筛查。

关键词： 人工智能   产业创新生态系统   驱动因素   生物医药产业  

摘要： 随着人工智能赋能的逐渐深化,产业创新生态系统不断演进。然而,当前对人工智能赋能产业创新生态系统演进内在驱动因素及路径的探讨尚不深入。选取生物医药产业作为案例研究对象,将人工智能应用划分为技术积累期、融合期和产业赋能期,揭示不同赋能阶段产业创新生态系统演进动因与路径。研究发现:(1)技术积累期由市场竞争引发的生存压力驱动,实现技术单点突破;(2)技术融合期由政策指引的创新战略驱动,形成端到端的研发模式;(3)产业赋能期由技术引领的多维合力驱动,形成“AI+自动化实验+专家经验”的模式。研究结论有助于丰富产业创新生态系统理论,为更好地推动人工智能应用、促进产业创新发展提供实践启示。

关键词： 无线网规划建设   人工智能   业务预测  

摘要： 随着5G向5G-Advanced演进，需要结合最新技术规划发展路径，为无线网规划建设智能化演进指明方向。从人工智能技术最新研究进展入手，首先分析当前大模型的能力类型和应用方向，对未来技术发展方向进行研判，提出无线网规划建设引入人工智能技术的总体策略建议；然后分析网络规划建设智能化面临的挑战，提出规划建设智能化发展的3个阶段，并规划当前和未来的智能化演进路线；最后分享无线网规划建设智能化的最新创新研究成果“一种基于周期性判断的智能业务预测方法”，该方法基于格拉姆角场（GASF）将时间序列转换为二维图像，再利用结构相似度度量（SSIM）捕捉时间序列的周期性和相似性，通过结构化和非结构化数据的转换增强业务周期性识别的效果，提高业务预测的精度。

关键词： 糖尿病肾脏疾病   自噬   机器学习   免疫浸润   诊断基因  

摘要： 为探讨自噬相关基因（ARGs）在糖尿病肾脏疾病（DKD）中的作用，通过机器学习方法筛选潜在的诊断基因，为DKD的早期诊断和治疗提供新的生物标志物和治疗靶点。从HADb数据库获取ARGs，对GSE96804数据集进行差异表达分析获得差异表达基因（DEGs），并与ARGs取交集后筛选出DKD-ARGs基因进行GO和KEGG富集分析。使用4种机器学习方法（LASSO，SVM，RF和BORUTA）筛选诊断基因并进行验证。通过无监督聚类分析和主成分分析识别自噬分子亚型并进行免疫浸润分析。获得1 526个DEGs（706个上调基因和820个下调基因），将DEGs与222个ARGs 取交集筛选出16个DKD-ARGs。GO和KEGG分析显示这些基因主要富集于细胞死亡、自噬、缺氧反应、炎症和免疫调节等生物过程和信号通路。机器学习算法最终筛选出3个关键诊断基因：CASP3，CDKN1B和PTEN，这些基因在验证集中显示出良好的预测性能。根据筛选出的基因进行一致性聚类获得Cluster1和Cluster2，免疫浸润分析显示两种自噬分子亚型之间存在显著的免疫细胞分布差异，揭示了自噬与免疫反应在DKD中的复杂关系。自噬相关诊断基因CASP3，CDKN1B和PTEN在DKD的早期诊断和治疗中具有重要应用潜力，为DKD提供了新的研究方向和治疗策略。

关键词： 人工智能   训练   DDC  

摘要： 通过分析人工智能训练网络组网现状及问题，提出采用分布散列式架构（DDC）构建人工智能训练网络的方法，不仅可以提高人工智能训练集群的容量，而且通过VOQ缓存机制在网板交换机与转发交换机之间进行数据转发，有效解决了交换机头端阻塞问题，可确保在大规模人工智能训练过程中参数传递高效无损。得出结论，DDC架构可用于人工智能大模型训练集群的组网设计与规划，并可以推广至其他无损网络需求场景下的可扩展分布式组网设计。

关键词： 智慧数据   智能情报   人工智能   文献情报   图书馆  

摘要： 【目的/意义】全面梳理与综述智慧数据研究及应用情况，思考分析对文献图书馆数据资源建设可能带来的影响，为学科研究发展提供参考借鉴。【方法/过程】通过系统梳理与计量分析国内外智慧数据重要相关文献，刻画智慧数据发展态势与主题布局，对智慧数据的概念内涵、要素特征、组织理论模型、技术体系架构以及典型应用场景进行深入阐述与分析。【结果/结论】智慧数据作为一种具有场景化、数据化、语义化与知识化的智能引擎，借鉴其特征提出了图书馆在数据资源建设方面，建议“面向国家重大复杂科学问题的认知与决策场景、面向AI场域的多场景、面向垂直领域场景以及面向产业创新全链条场景”建设场景化、专业化、关联化与知识化的数据知识资源。【创新/局限】系统性梳理智慧数据的国内外研究现状，结合图书馆数据资源建设提出了相应的现实启示。

关键词： 人工智能   腰椎间盘突出症   深度学习   机器学习   大数据   机器人   工程化组织构建  

摘要： 背景：近年来人工智能技术越来越多地被用于腰椎间盘突出症的诊治，提高了腰椎间盘突出症诊断的准确率及效率，丰富了腰椎间盘突出症的治疗手段，成为研究焦点。目的：从诊断与治疗角度全面展现人工智能在腰椎间盘突出症中的应用现状，分析相应技术的局限性。方法：应用计算机检索PubMed、中国知网、万方数据库及维普数据库建库至2024年8月发表的关于人工智能在腰椎间盘突出症诊治中应用的相关文献，英文检索词为“Lumbar Disc Herniation,Artificial Intelligence,Machine Learning,Deep Learning,Big Data,Robot,Neural Network,Model,Algorithm”，中文检索词为“腰椎间盘突出症，人工智能，机器学习，深度学习，大数据，机器人，神经网络，模型，算法”，按入组标准梳理最终筛选出101篇文献进行综述。结果与结论：人工智能的不同技术推动了腰椎间盘突出症的智能化治疗，在未来的发展中凸显出巨大潜力。深度学习技术基于先进的算法，通过相应学习模型的构建对X射线片、CT及MRI影像进行优化处理，实现对退变腰椎间盘的精确定位、识别与分析，提高了自动化诊断的精度。大数据技术利用数据平台，通过分析海量医疗数据模拟疾病发展趋势，为病情评估与预测提供了新的视角。手术机器人结合机械臂、3D高清视觉系统及5G通信技术为远程精确手术操作提供支持，展现显著的技术优势。未来人工智能对腰椎间盘突出症的诊治将通过算法的持续优化和数据平台的专业化发展，推动诊治手段向规范化、高效化、精准化方向演进。

关键词： 润滑油   基础油   分子数据库   机器学习   强化学习   随机森林  

摘要： 基于从分子层面更理性化指导润滑油品改性实验、构建充分详实的基础油分子结构和物性数据库的目的，采用了一种结合机器学习和强化学习的润滑油矿物型基础油分子集生成方法，按个性化地生成满足目标结构或性质要求的理想分子集。通过利用随机森林模型快速预测分子物性和神经网络模型智能探索分子化学空间的双重优势，该方法能够在数小时内生成数千个满足设计要求的基础油分子，并且可同时考虑熔点、沸点、油品黏度、分子结构等多方面的设计需求，针对油品数据库构建时探究理想分子组成和辅助油品分子表征2种应用场景，分别通过以探究理想分子组成为目的的基础油分子生成和以辅助分子表征为目的的基础油分子生成2个案例来说明提出的技术路线的可行性和有效性。