关键词： 冠状动脉   磁共振成像   冠心病   人工智能  

摘要： 冠心病（CAD）是全球致死的主要原因之一，早期诊断对其管理和治疗至关重要。有创冠状动脉造影（ICA）虽然是诊断CAD的“金标准”，但因其有创性、需使用碘对比剂和有电离辐射，不适用于筛查。冠状动脉CT血管成像（CCTA）虽能无创评估冠脉狭窄，但其存在电离辐射、碘对比剂过敏风险且受钙化影响较大。冠状动脉MR血管成像（CMRA）因其无创、无电离辐射和无需对比剂，成为一种潜在的替代方案。CMRA在诊断和监测冠状动脉先天发育异常及扩张性病变中展现了独特优势，但受限于扫描时间长、操作复杂和对呼吸与心脏运动的敏感性。近年来，CMRA技术在呼吸和心脏运动校正、图像加速及重建方面取得了重大进展，尤其是人工智能（AI）在呼吸心脏运动校正、欠采样和超分辨率重建中的应用，进一步拓宽了CMRA的临床应用前景。本文将介绍CMRA的主要发展历程和技术进步，浅析该技术在临床应用中的优势和挑战，以期推动该技术的进一步发展及合理应用。

关键词： 会计舞弊   机器学习   非遴选因子   会计比率  

摘要： 本文研究将机器学习引入资本市场监管，优化会计舞弊治理的理论和现实问题。使用1998-2021年会计舞弊数据，采用8种主流机器学习模型，从非遴选因子视角评估机器学习遏制会计舞弊的优势和潜力。研究发现，使用机器学习预测会计舞弊，并不依赖事前因子遴选，预测效果超过了事前遴选会计指标的各种组合，预测指标AUC平均提升12.22%。分析表明这与事前遴选指标更容易受到市场针对性的规避行为有关。在此基础上，本文进一步讨论了机器学习优化中国资本市场“双随机、一公开”抽检政策的潜力，认为引入机器学习能够大幅提高会计舞弊检出数量，降低重大舞弊案例的发现阈值，缩短会计舞弊的处罚时滞，从而遏制会计舞弊的扩张。

关键词： 机器学习   预测模型   时间序列   二次供水   余氯  

摘要： 氯是城镇饮用水系统运用最为广泛的消毒剂，能够有效控制水中细菌滋生，二次供水系统的余氯是确保“最后一公里”水质安全的重要指标，建立二次供水系统余氯变化规律预测模型实现提前预警对保障末端饮用水安全具有重要意义。文章通过相关性分析方法得出与余氯具有较强相关性的指标为浑浊度与温度，基于2022年上海市二次供水监测点的余氯、浑浊度和温度数据，采用机器学习方法对未来时刻的二次供水余氯进行预测，建立以当下时刻的余氯-浑浊度多指标、余氯-温度多指标和余氯单指标为输入的3种模型，并采用确定性系数(R2)、平均绝对误差（MAE）、平均偏差（MBE）以及均方根误差（RMSE）等多元评估标准来衡量模型性能。结果表明，3种模型的相对误差基本控制在10%以下，预测模型均可以满足实际二次供水监管点余氯的预测需求，按照预测准确度降序排列为：余氯-浑浊度预测模型、余氯自预测模型、余氯-温度预测模型。

关键词： 城市道路网络   修复策略   韧性   多路段失效   机器学习   图注意力网络  

摘要： 破坏性事件发生后对修复工作的目标路段选取和序列优化是提升事后路网修复效果及系统韧性的关键。识别道路网路中对系统性能具有关键作用的路段是该问题高效求解的重要基础。然而,传统的关键路段识别方法未充分挖掘多个路段间的交互与协同关系,即研究多个路段同时失效对路网整体性能影响的显著性。针对该问题,本文提出了一种基于图注意力网络的路网关键路段识别模型(TGAT)。该方法借助图注意力网络挖掘路段间的影响权重,并基于权重值计算各路段的关键度取值,从而识别出对路网性能具有关键作用的路段。随后,依据关键度取值排序确定事件后被破坏路段的修复序列。以江苏省昆山市路网为例,本文将TGAT方法与度中心性、加权介数中心性、特征向量中心性三种基线方法应用于路网修复方案优化的效果进行对比。具体来讲,分别基于路网修复效果实验和逐点修复实验对上述四种方法进行性能对比。实验结果表明TGAT方法相较于其他三种方法能更有效地识别路网中的关键路段,并且基于TGAT的修复序列优化对路网的修复性能更好。

关键词： 质子交换膜电解槽   多孔传输层   机器学习   参数优化  

摘要： 质子交换膜电解水（PEMWE）技术因其波动适应性强的特点，在绿色氢气生产中具有广阔应用前景。PEMWE性能受多种因素影响，其中多孔传输层（PTL）对于气-水传输性能尤为关键，优化PTL结构对提升PEMWE整体性能具有重要意义。本研究首先构建了一个稳态下的三维PEM单电解槽模型，获得了不同多孔传输层结构参数下PEM电解槽极化曲线，探讨了多孔传输层的孔隙率、厚度和导电率三个特征参数对质子交换膜电解槽性能的影响。其次，通过引入多层感知机机器学习模型，提出了相应的性能优化策略。研究表明孔隙率对多孔传输层的性能起主导作用，其次是厚度，而导电率的影响相对较小。针对孔隙率和厚度，适度增加孔隙率并降低厚度可有效提升电解槽性能。经过多层感知机模型筛选，当PTL孔隙率为0.52、厚度为0.2 mm、导电率为4×106 S/m时，性能最佳，在2 A/cm2的电流密度下PEM电解槽的工作电压为1.85 V。

关键词： 赋能   数智化转型   升级路径   驱动模式   人工智能  

摘要： 我国多数企业正面临向数智化转型升级的迫切需求，以ChatGPT、Sora等为代表的新一代人工智能迅猛发展，其强大的赋能特性为实现该目标提供了可行途径。文章以百度、阿里巴巴、腾讯和科大讯飞的实践为例，采用多案例探索的研究方法，探讨了人工智能赋能企业数智化转型升级的驱动模式与具体路径。研究发现：新一代人工智能可通过赋能技术、数据、组织、营销和服务五种路径推动企业数智化转型升级，并最终使企业在技术体系、生产运营、营销模式、组织架构，以及服务体系实现转型升级；新一代人工智能赋能数智化转型升级的驱动模式包括技术创新驱动和行业需求驱动，具体路径选择受技术发展水平和被赋能企业所在行业领域转型升级需求的共同驱动；企业转型升级应选取适合的升级策略和升级模式，既可采取自主式升级策略并选择相应的升级模式，也可采取嫁接式升级策略并借助领军企业实现高点起步。文章丰富了数智化转型升级的相关研究，为借助人工智能加快转型升级提供有益的理论和实践启示。

关键词： 注意缺陷多动障碍   诊断   机器学习   深度学习  

摘要： 注意缺陷多动障碍(ADHD)是一种常见的儿童神经发育障碍性疾病,缺乏客观检测、检验指标且诊断困难。本文综述了机器学习和深度学习在ADHD诊断中的应用及辅助诊断价值。研究集中在几个关键领域:文本分析、电生理检测、神经影像学、行为数据分析、基因组学以及多组学研究。尽管机器学习和深度学习在ADHD诊断中展现了显著潜力,但仍面临数据质量、过度拟合、模型可解释性和伦理问题等挑战。未来的研究需进一步集中在改善算法性能、提高模型的解释能力、确保数据隐私和安全性领域,并在更多的临床研究中进一步验证。

关键词： 新兴技术   体育消费   体育品牌   人工智能   消费模式  

摘要： 在新兴技术驱动下,体育品牌消费模式与路径不断创新和优化。本文采用文献资料与逻辑分析法,围绕体育品牌消费行为模式和认知模式建构,系统阐述新兴技术驱动体育品牌消费的主要成效。研究认为,新兴技术通过促进系统化监控、提升预测准确性和优化评估效果驱动体育品牌消费模式演变。通过建设体育品牌消费的云平台、构建视觉搜索特征预测模型以及优化智能营销策略,体育品牌运营商得以精准满足市场需求,增强品牌与消费者的互动体验。未来,建立消费者行为分析与预测模型、深化应用全渠道整合营销及创新个性化智能营销策略将推动体育品牌消费模式的持续发展,助力体育品牌在不断变化的市场中保持竞争优势。

关键词： 机器学习   二维Janus材料   磁矩   第一性原理计算  

摘要： 寻找尺寸小、稳定性高和易操控的纳米磁结构—磁斯格明子（magnetic skyrmion)，是发展下一代高密度、高速度和低能耗非易失性信息存储器件核心存储单元的关键.磁性斯格明子根据其拓扑产生机制，可以由非中心对称结构诱导的DMI(Dzyaloshinskii–Moriya Interaction)作用项产生.二维Janus结构具有两个不同面的原子层，可以形成垂直内建电场，打破中心空间反演对称性.因此寻找具有本征磁性的二维Janus材料是研究新型磁存储的基础.本文基于晶体材料数据库Materials Project中的1179种六角晶系ABC型Janus材料数据,以其元素组分信息为特征描述符,构建了随机森林,梯度提升决策树,极端梯度提升和极端随机树等四种机器学习模型,基于上述模型对晶格常数、形成能和磁矩分类进行了预测,并采用十折交叉验证法对模型进行了评估.梯度提升决策树在磁矩分类预测显示出最高的精度和泛化能力.最后,基于上述模型对尚未发现的82018种二维Janus材料进行了预测，筛选得到4024种具有热稳定性的高磁矩结构，并基于第一性原理的方法对其中随机抽样的13种高磁矩结构进行了计算验证.本研究为二维Janus材料磁矩分类和高通量筛选训练了有效的机器学习模型,加速了二维Janus结构磁性的探索.

关键词： 长白猪   繁殖性状   基因芯片   基因组选择   机器学习  

摘要： 旨在比较不同基因组预测模型预测准确性与运行效率，以探究支持向量机（SVM）回归与随机森林（RandomForest）回归在基因组预测中的应用价值与应用前景。本研究使用博瑞迪猪50K液相芯片，采用GBLUP、BayesB、BayesLASSO、SVM回归和RandomForest回归等基因组预测模型，对1 001头长白猪繁殖性状进行基因组预测评估。研究发现，在总产仔数、产活仔数、窝重等繁殖性状中，使用SVM回归径向基函数核的评估准确性均最高；产活仔数、窝重在参数C值为1时评估准确性达到最大值，总产仔数在参数C值为2时评估准确性达到最大值。在总产仔数、产活仔数、窝重等繁殖性状中，使用RandomForest回归评估ntree、mtry、nodesize等参数时发现，基因组预测准确性随着参数的变化展现一定的随机性。RandomForest回归模型在总产仔数、产活仔数、窝重中的评估准确性均最高，其次为SVM回归，GBLUP、BayesB、BayesLASSO等模型遗传评估准确性较差且保持一致。交叉验证相关性显示，不同模型遗传评估结果存在较强的相关性，为0.806～0.995。SVM回归与RandomForest回归等非参数机器学习模型在猪繁殖性状基因组选择中具有一定的优势，但运行时间在一定程度上限制了这些算法的使用。随着算法的研究优化，SVM回归与RandomForest回归等非参数机器学习模型将具有良好的应用前景。