关键词： 体外循环   人工智能   可视化分析   研究热点  

摘要： 目的分析人工智能技术在体外循环(ECC)中应用的研究热点及趋势,为医务工作者应用人工智能技术辅助临床工作提供参考。方法利用CiteSpace软件对Web of Science核心合集数据库中收录的相关文献进行可视化分析,包括年发文量的变化趋势、主要研究机构的分布、不同国家的研究贡献、共被引期刊和关键词聚类。结果共116篇英文文献纳入最终分析,发文量由2020年开始呈现逐年稳步上升的趋势;中国医学科学院北京协和医学院(7篇,占6.03%)为发文最多的机构;中国和美国(37篇)为发文最多的国家,各国机构间具有一定的合作成果;Annals of Thoracic Surgery为文献共被引最多的期刊;研究热点为ECC辅助治疗相关疾病危险因素的识别、疾病预后的预测及ECC的智能化管理。未来研究趋势包含疾病风险评估与预测、优化治疗策略、辅助指南制定与决策。结论近十年,人工智能技术在ECC中的应用研究稳步上升,显示出日益增长的研究兴趣。建议研究人员未来可在ECC中进一步应用人工智能技术于疾病风险预测及辅助指南制定等方面,为医务工作者提供更为精准、高效的辅助工具,从而提升患者的治疗效果和生活质量。

关键词： 人工智能   数据安全   数据治理   全球治理   国际合作   规则制定  

摘要： 文章基于全球治理视角,探讨了数据安全治理的国际合作框架及其实施路径。首先,界定了数据安全与治理的概念,强调数据治理的核心目标是保障数据的安全流动与有效利用。其次,分析了全球数据治理体系的碎片化现状,揭示了其在地缘政治影响下的发展趋势与挑战,特别是在跨境数据流动等关键领域中的矛盾与协作。基于此,文章提出了“嵌入式数字命运共同体”理念,这一框架结合了“嵌入式自由主义”理论的国内政策自主性与“命运共同体”理念的全球协作愿景,旨在应对数字时代的全球治理挑战,推动全球数据治理合作。与此同时,进一步阐述了该理论框架的核心理念及其实践路径,并针对中国参与全球数据治理提出了具体政策建议。

关键词： 中枢神经放射影像   深度学习   人工智能   放射影像  

摘要： 随着人口老龄化及生活方式的变化,中枢神经系统疾病的发病率持续升高,使得预防、诊断和治疗这类疾病成为全球医疗的重要任务。中枢神经影像在疾病的精准定位、评估和诊断中扮演着关键角色。人工智能(AI)技术,特别是深度学习,为中枢神经放射影像的精准高效分析提供了创新方法,极大地促进了疾病诊断与进展评估水平。本文从数据准备、模型构建及测试评估等方面综述了深度学习在中枢神经影像领域内的构建的研究进展,并详细探讨了深度学习模型的开发过程及面临的挑战。

关键词： 智能思政   人工智能   高校思政课   数字化转型  

摘要： 在数字化转型战略导向下,人工智能与高校思政课的有机融合为思政课要素创新升级赋予新动能,这是精准定位教育客体需求、优化创新教育教学过程、有效拓展教学新形态、科学精准评价教学结果的理性选择。人工智能以其高效、科学、精准的数据采集分析功能为高校思政课创新发展带来诸多机遇,但同时其刻板化、机械化、流程化的缺点又给高校思政课带来了许多困难与挑战,具体体现为:对智能技术的过度依赖降低了思政课教学的人文思辨性,智能教育内容易陷入泛娱乐化、碎片化的境地,智能教育过程忽视学生的主体地位,智能教育评价标准单一、刻板化。围绕其发展困境,应从育人实效、育人内容、育人环境、育人评价四个方面着手,从技术依赖走向协同并行、从娱乐性向正规性转变、转变技术导向突出学生主体地位、以多元评价代替单一评价等方面优化人工智能赋能高校思政课的路径,以落实高校立德树人根本任务,全面提升高校思政课铸魂育人实效。

关键词： 人工智能   护理学专业教师   教学情感   实践路径  

摘要： 在人工智能赋能的背景下,护理学专业教师的教学情感不仅是教学实践中的核心要素,更是连接技术与人文关怀的桥梁。本研究主要从人工智能时代护理学专业教师教学情感的应然价值,其涵盖彰显护理职业中的人文关怀价值、强化护理伦理与职业责任感、促进师生情感互动、增强教学效果等方面。之后,又分析人工智能时代护理学专业教师教学情感的特征,其主要有人文关怀与技术理性的双重维度、伦理责任感的深化与扩展、情感共鸣中的互动强化、教师情感的灵活适应性与敏锐性。最后,提出人工智能时代护理学专业教师教学情感的培育路径,其主要可以通过丰富教师教学中的人文情感、培养教师的同理心、抓住学生生命成长的契机,以确保在人工智能时代的护理教育中,技术与情感并重,共同促进学生的成长与发展。

关键词： 液流电池   荷电状态   健康状态   电池管理系统   等效电路模型   人工智能  

摘要： 在全球能源转型的推动下,新能源技术正加速发展,液流电池凭借其长寿命、高安全性等优势,在大规模储能系统中承担着重要角色。对于液流电池,准确的系统状态评估可以有效提高电池的使用效率、延长其使用寿命,并优化并网启停等操作,从而提升整体能源管理的可靠性和经济性。综述了液流电池储能系统中荷电状态(SOC)和健康状态(SOH)估算方法的研究进展,重点分析了几种经典的评估方法,包括开路电压法、安时积分法、等效电路模型与卡尔曼滤波器相结合的算法,以及近年来兴起的基于人工智能的数据驱动模型,深入探讨了这些方法的优劣势,指出电池复杂电化学过程及外部环境变化对SOC和SOH估算的影响。未来液流电池管理系统智能化的关键方向是提升SOC和SOH估算的精度、降低计算复杂度,以及增强人工智能模型的可解释性。

关键词： 人工智能   初中信息技术   教学策略  

摘要： 初中信息技术学科作为一门培养学生信息素养和信息技术能力的学科,在人工智能背景下,教师应当对初中信息技术教学的模式与策略进行创新,提高信息技术教学的质量,将学生培养为符合信息时代需求的人才。本文将从人工智能背景下初中信息技术教学现状、推动初中信息技术教学创新的价值以及初中信息技术教学策略三个方面进行分析和论述。

关键词： PUREX   机器学习   核燃料后处理   萃取剂   溶液体系  

摘要： 为了控制核燃料的环境危害,必须对其进行回收管理和后处理.PUREX是一种高效的核燃料后处理方法,具有效率高、可扩展性强及适用性广等优点,目前已经得到了广泛应用.PUREX工艺很复杂,操作时必须对萃取剂及溶液的性质进行准确全面的测量和分析,并对处理流程进行严格保障.为了获取相关数据,已有研究大多依赖传统的批量实验测试法.这种方法需要多次实验迭代和人工操作,研究周期长、资源消耗大,且萃取效率低.机器学习主要通过学习和分析海量数据来实现模型预测,有望避免批量实验测试法中出现的问题,提高萃取效率.近年来,各种机器学习方法在PUREX中的应用逐渐增多.本文旨在对机器学习方法在PUREX流程的内部反应和后处理保障等方面的应用进行综述,促进和推动机器学习方法在PUREX中的进一步应用,提高萃取效率.在内部反应方面,本文概述了一些机器学习算法在萃取剂选择、萃取剂性质预测及溶液选择等方面的应用.在后处理保障方面,本文概述了一些机器学习算法在保障后处理流程顺利进行等方面的应用.综合看,将机器学习方法应用于PUREX流程确实能提供更精准的预测结果、提高萃取效率.此外,本文还对机器学习方法在PUREX相关领域的应用进展进行了概述,重点介绍了分子动力学与机器学习方法的集成方法及其应用,以便启发PUREX与机器学习模型相结合的方法的研究.最后,本文还介绍了一些利用机器学习方法扩展和增强数据集、克服数学模型建模时可用数据集过小问题的具体应用.

关键词： 人工智能   人机协同   伦理风险   应对技术   生成式   哲学社会科学研究   Chat   写作范式  

摘要： 近年来,以DeepSeek、ChatGPT等软件为代表的生成式人工智能技术持续赋能各行各业,深刻影响着学术研究与论文写作范式。为促进人工智能与哲学社会科学研究的融合发展,应对技术应用中的伦理风险,构建人机协同时代的科研新秩序,本刊对生成式人工智能工具的使用规范公告如下。

关键词： 甲状腺肿瘤   CT   影像组学   影像特征   机器学习   Logistic模型   预测  

摘要： 目的探讨基于CT影像组学特征的机器学习模型对甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的鉴别诊断价值。方法选择甲状腺结节患者158例,其中男性19例,女性139例;年龄19~72岁,平均年龄43.34岁;结节大小3.0~88.0 mm,平均大小22.16 mm;病理类型,PTC 78例,NG 80例。基于CT增强扫描动脉期,采取半自动逐层勾画感兴趣区(ROI),所有患者按8∶2的比例随机抽样分为训练集126例,验证集32例。采用Python 3.7提取影像组学特征,用t检验、Pearson相关系数筛选及最小绝对收缩和选择算子(LASSO)对特征进行降维筛选,使用逻辑回归(LR)、支持向量机(SVM)、随机森林(RandomForest)、极端梯度提升(XGBoost)、梯度提升决策树(LightGBM)分类器对提取的特征进行机器学习。通过绘制受试者工作特性(ROC)曲线下面积(AUC)、准确度、灵敏度、特异度、F1分数、召回率6个指标评价各模型的差异。结果训练集与验证集中性别、年龄差异均无统计学意义(P>0.05)。从CT增强动脉期提取出1834个影像组学特征,经过t检验、Pearson相关系数筛选和LASSO回归降维筛选出8个最优特征;构建的5个预测模型中,XGBoost模型诊断效能最好,优于其他模型。该模型在训练集中的AUC、准确度、灵敏度、特异度、F1分数和召回率分别为0.993、0.944、0.912、0.983、0.947、0.912。在验证集中,XGBoost模型的AUC、准确度、灵敏度、特异度、F1分数和召回率分别为0.957、0.906、0.700、1.000、0.824、0.700。结论基于CT增强的影像组学特征的机器学习模型可用于鉴别PTC和NG,对甲状腺结节患者的个体化治疗和随访策略提供重要参考价值。