关键词： 人工智能   CT   肺结节   应用价值  

摘要： 目的:探讨人工智能辅助诊断系统在肺结节的检测及良恶性判断中的应用价值。方法:选择2022年3月至2023年3月行胸部CT检查,跟踪随访明确肺结节病理结果的患者作为研究对象,并制定真阳性结节标准。比较AI软件与影像医师对真阳性结节的检出价值及结节良恶性的判断价值。结果:113名患者中AI软件检出1337个结节,医师检出774个结节,经验证共存在1079个真阳性结节。AI软件对于真阳性结节的检出率(98.98%)高于医师(71.27%),漏检率(1.02%)较医师(28.27%)低,误检率(23.91%)较医师(0.46%)高。AI软件对直径<5 mm及5~10 mm真阳性结节的检出率(98.69%,100.00%)均高于医师(60.59%,80.25%);对于直径>10 mm真阳性结节的检出率(98.08%)稍高于医师(94.87%),但差异不具有统计学意义,需进一步选取临床大样本验证。AI软件对磨玻璃、实性、混合磨玻璃及钙化结节的检出率(98.47%,98.79%,100.00%,100.00%)均高于医师(75.52%,68.02%,72.73%,84.66%)。在结节良恶性判断方面,113名患者中共有115个结节经病理检查确诊,医师对结节良恶性判断的灵敏度(97.47%)、特异度(80.56%)、准确度(92.17%)均较AI(93.67%,66.67%,85.22%)高,但灵敏度和特异度的差异不具有统计学意义,可能与样本选择偏差有关;AI与病理结果对照取得了高度一致性(Kappa值为0.637),医师实现了几乎完全一致(Kappa值为0.811)。结论:AI辅助诊断对肺结节有较高的检出率,能大大降低漏检率,但误检率也随之上升;在肺结节良恶性鉴别中可为临床诊断提供辅助参考,但其准确性无法取代影像医师。

关键词： 平台领域反垄断监管   常态化监管   人工智能   大数据技术  

摘要： 大模型技术的不断完善以及开源大模型的不断涌现,提升了人工智能技术在经济和社会中的使用效果,也给平台领域现有的反垄断监管手段带来了冲击。应依托大数据分析、人工智能技术,在反垄断监管层面引入日常监测技术手段,通过实施常态化的科学精准监管,推动平台经济健康持续发展,激发市场活力。

关键词： 人工智能   知识生产   创造性   AI创作  

摘要： 基于马克思历史唯物主义视角,对“创造”概念进行哲学探讨与反思,同时批判借鉴波普尔“世界3”理论,得出创造行为不仅限于个体的直接行动也可假借客观知识的累积而跨时空传递。据此,揭示出创造性与主体性是一种本质的内在的统一而非“合一”,创造性具有一种离散形态。基于这一认识,阐释机器作家体现出的创造性:本质上依赖人类智慧和算法技术复制人类已有知识成果及具显网民的创造性成果并汇聚传播的工具,是人类“共创”的媒介。机器作家在这种“共创”活动中,其角色自始至终是一种工具性存在,其功能在于辅助理解、转化和传播现有知识及具显网民的创造。

关键词： 冬小麦   叶片含水量   机器学习   变量筛选   植被指数  

摘要： 为进一步提升利用高光谱数据快速监测叶片含水量的能力,以关中地区冬小麦为研究对象,分别获取2022和2023年孕穗期、抽穗期及灌浆期冬小麦叶片含水量,并同步监测叶片高光谱信息。通过波段组合的形式构建植被指数,并利用相关性分析进行初步筛选,再以ReliefF算法优选得到输入特征变量,然后分别利用随机森林(random forest,RF)、长短期记忆(long short-term memory,LSTM)网络和基于粒子群(particle swarm optimization,PSO)优化的反向传播神经网络(back propagation neural net work,BPNN)构建冬小麦叶片含水量估算模型,并进行精度评价。结果表明,通过相关性分析与ReliefF算法结合优选变量,能够较单独通过相关分析明显提升LSTM和PSO-BPNN模型的建模精度,但对RF模型则无法优化变量。相关性分析与ReliefF结合后PSO-BPNN模型在各生育时期均取得最佳预测结果,其中孕穗期、抽穗期和灌浆期验证集r2分别为0.816、0.736和0.806,RMSE分别为0.546%、0.899%和1.531%,NRMSE分别为0.681%、1.195%和2.185%。由此可见,在相关分析的基础上,通过ReliefF算法优选特征变量能够提升特定模型对冬小麦叶片含水量的估算精度,其中对PSO-BPNN模型的效果最好。

关键词： 小麦   无人机图像   机器学习   SHAP加性解释方法   产量预测  

摘要： 为了探寻适宜的小麦产量预测模型并提高其精度,从冬小麦灌浆期的无人机多光谱和RGB图像中提取了14种光谱参数和28种形态参数作为特征变量,利用线性回归、随机森林、神经网络等10种机器学习方法构建小麦田间产量预测模型,并比较了模型间预测能力的差异;同时,引入机器学习事后可解释性方法SHAP对输入的特征变量进行重要性分析和筛选,了解其提高模型预测能力的效果。结果表明:(1)10种机器学习模型中,误差逆传播神经网络BPNN的产量预测表现最好(r2=0.826,RMSE=0.094 t·hm-2);(2)根据SHAP确定的特征变量重要性排序,花青素反射指数ARI和三维冠层体积Volume对于预测结果的影响最大,占全部特征重要性总和的45.48%;(3)经过SHAP特征筛选后,确定了在BPNN产量预测模型上表现最优的9个特征变量,其预测结果r2为0.865,RMSE为0.075 t·hm-2,比使用全特征的BPNN和事前Pearson相关性分析方法在预测精度上均有提升。因此,在优选产量预测模型基础上,可采用SHAP机制对特征变量的重要性进行筛选和分析,以此进一步提高田间小麦产量预测精度。

关键词： WIFI流量   无人机   操作模式识别   机器学习  

摘要： 考虑到加密WIFI流量下的时延特征与实时性要求，提出了一种机器学习的时延感知无人机操作模式识别方法。首先提出的机器学习框架将加密数据流视为一个时间序列，利用重新加权的l1范数正则化将特征选择和性能优化集成为期望总代价函数，该函数综合了误分类/误检测和延迟代价。另外为了解决在估计时延代价函数时数据包到达时间的不确定性，使用最大似然估计得到数据包到达时间。最后利用私人无人机真实WIFI数据流量对提出的方法的性能进行了评估，评估结果证明了提出方法的有效性。

关键词： 中医经典   辅助诊疗   全域多场景   多模态融合   数字孪生   人工智能  

摘要： 本研究在厘清中医临床辅助决策系统研制进展与现存问题的基础上，借鉴人工智能对物理世界的智能管控经验，提出构建以中医经典著作原创思维为核心，以中医知识图谱和领域本体构建为肇始，将临床全域多场景数字化原态保护和中医经典著作“数字孪生”活态传承突破作为重点，着力于实现临床决策、流程管控、人机交互全面智能化的中医智能辅助诊疗系统。该系统将在中医辨证的辅助决策过程中，基于病机演变特点，融合中医经典著作、图像资料、影音资料、心理行为等多模态数据，充分还原中医病机链变化的脉络和前人的临床思维模式，进一步解决辅助决策系统信息采集界面操作繁琐和临床医生问诊思路混乱的问题。数字孪生仿真功能将模拟多复诊多模态的患者情况，尤其聚焦于复诊时患者病情数据的动态变化，最终实现多模态时序数据的集成与融合来为临床判别提供参考，完成合作博弈下的中医智能诊疗过程。本研究期望为构建中医辨证论治智能辅助诊疗系统提出新的思路，进一步促进中医药的智能化应用与传承。

关键词： 人工智能   AI大模型   通用大模型   垂直大模型  

摘要： 本文首先介绍了AI预训练大模型相关的部分核心技术，其中包括Transformer架构和人类反馈强化学习技术以及近端策略优化技术；研究了通用大模型的发展，重点关注了基于Transformer-Decoder架构的GPT系列、LLaMA系列模型与基于Transformer-Encoder架构的BERT、ALBERT、DeBERTa与RoBERTa模型，深入研究了它们的架构和训练方法，总结了它们的特点，探讨了其在不同领域中的应用；关注了垂直领域的大模型发展，如金融、医学、法学、自然科学和代码编程等领域。在金融领域，研究了BloombergGPT、GPT-InvestAR和TradingGPT模型；在医学领域，探讨了Med-PaLM和PMC-LLaMA等模型；在法学领域，分析了Lawformer和Chatlaw模型；在自然科学领域，介绍了华为云盘古气象大模型和FLUID-GPT模型；在代码编程领域，研究了CodeGeex和PanGu-Coder2模型。最后，对当前AI预训练大模型在知识产权、歧视、成本等方面的局限性与未来发展进行了讨论。

关键词： 新兴技术   多源异构数据融合   新兴技术画像   机器学习  

摘要： 新兴技术在科技革命和产业变革中发挥着重要作用,准确把握新兴技术发展方向有助于国家政策制定和科技快速发展。融合学术论文和专利文献数据,构建一套新兴技术识别方法。通过主题N元语法(TNG)模型抽取和筛选技术主题,确定关键技术主题,通过量化新兴技术的5项特征指标:影响力、增长性、连贯性、创新性、不确定性和模糊性,计算新兴指数得分,对多源数据融合新兴技术进行识别和预判。预测新兴技术未来发展趋势,可为电网领域可持续发展提供有价值的参考,验证研究方法的可行性和有效性。

关键词： 面向数据可视化的自然语言接口   机器学习   神经网络模型   大语言模型  

摘要： 数据可视化领域长期以来的目标是寻找直接从自然语言生成可视化的解决方案，而自然语言接口（NLI）的研究为该领域提供了新的解决办法。该接口接受自然语言形式的查询和表格数据集作为输入，并输出与之对应的可视化渲染。在作为一种辅助输入方式的同时，将传统的用户需将分析意图转化为一系列逻辑操作与和统进行交互（如编程指令或图形化界面操作方式等），与利用面向数据可视化的自然语言接口（DV-NLI）相结合，能够使用户专注于可视化任务，而无需担心如何操作可视化工具。近年来，随着大语言模型（LLM）GPT-3、GPT-4的兴起，将LLM与可视化相结合的研究已经成为了研究热点。在本文中，我们对现有的DV-NLI进行了全面的回顾，并进行了最新的研究补充。按照其实现方法，将DV-NLI分为符号化NLP方法、深度学习模型方法、大语言模型方法三类；同时对每个分类下的相关技术进行分析论述；最后，总结并展望DV-NLI的未来工作。