با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
یک سیستم پشتیبانی تصمیم گیری با استفاده از هوش مصنوعی مبتنی بر مدل کیفیت چند تصویر و کاربرد آن در طراحی رنگ
سال انتشار: 2020 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 31 تصویر رنگ محصول نیازهای رنگ مصرف کنندگان را از طریق شناخت احساسات منتقل میکند . در این مقاله ، یک سیستم پشتیبانی تصمیمگیری براساس الگوریتم هوش مصنوعی ترکیبی پیشنهاد شدهاست . سیستم پیشنهادی به بررسی همبستگی داخلی بین تصویر رنگی و نیاز کاربران میپردازد . در سیستم پیشنهادی ، یک شبکه عصبی مصنوعی براساس تابع پایه شعاعی بکارگرفته می شود. مدل شبکه با بهینهسازی انبوه ذرات در ترکیب با استراتژی انطباقی و تئوری هرج و مرج آموزش داده میشود . مدل پیشنهادی تصاویر رنگی "uses " را پیشبینی میکند . سپس ، رنگها از رنگهای پیشبینیشده توسط خوشهبندی K - هارمونیک استخراج میشوند . نتایج تجربی نشان میدهد که سیستم پشتیبان تصمیم رنگ پیشنهادی در طراحی الگوی رنگ و ارائه راهنمایی تیوری برای تولید - طراحی رنگ امیدوار کننده است .
واژگان کاربردی: سیستم پشتیبانی از تصمیمگیری | هوش مصنوعی | طراحی محصول | تصاویر چند کاربردی |
مقاله ترجمه شده |
2 |
Combination of a big data analytics resource system with an artificial intelligence algorithm to identify clinically actionable radiation dose thresholds for dysphagia in head and neck patients
ترکیبی از یک سیستم منبع تحلیلی داده های بزرگ با یک الگوریتم هوش مصنوعی برای شناسایی آستانه های دوز پرتودرمانی از نظر بالینی برای دیسفاژی در بیماران سر و گردن-2020 Purpose/Objective(s): We combined clinical practice changes, standardizations and
technology to automate aggregation, integration and harmonization of comprehensive
patient data from the multiple source systems used in clinical practice into a big data
analytics resource system (BDARS). We then developed novel artificial intelligence (AI)
algorithms, coupled to the BDARS, to identify structure DVH metrics associated with
dysphagia.
Materials/Methods: From the BDARS harmonized data of ≥ 22,000 patients, we
identified 132 patients recently treated for head and neck cancer who also demonstrated
dysphagia scores that worsened from base line to a maximum grade ≥ 2. We developed a
method that used both physical and biologically corrected (α/β =2.5) DVH curves to test
both absolute and percentage volume based DVH metrics. Combining a statistical
categorization algorithm with machine learning (SCA-ML) the method provided more
extensive detailing of response threshold evidence than either approach alone. A
sensitivity guided, minimum input ML model was iteratively constructed to identify the
key structure DVH metric thresholds.
Results: Seven swallowing structures producing 738 candidate DVH metrics were
ranked for association with dysphagia using SCA-ML scoring. Structures included
superior pharyngeal constrictor (SPC), inferior pharyngeal constrictor (IPC), larynx,
esophagus. Bilateral parotid and submandibular gland (SG) structures were categorized
by relative mean dose (e.g SG_High, SG_Low) as a dose vs tumor centric analog to
contra and ipsilateral designations. Structure – DVH metrics with high SCA-ML scores
included SPC:D20%[EQD2Gy] ≥ 47.7, SPC:D25%[Gy] ≥ 50.4, IPC:D35%[Gy] ≥ 61.7,
Parotid_Low:D60%[Gy] ≥ 13.2 and SG_High:D35%[Gy] ≥ 61.7. Larynx:D25%[Gy] ≥
21.2 and SG_Low:D45%≥28.2 had high SCA-ML scores, but were segmented on fewer
than 90% of plans. A model based on SPC:D20%[EQD2Gy] alone had sensitivity and
AUC of 0.88 ±0.13 and 0.74 ± 0.17 respectively.
Conclusion: This study provides practical demonstration of combining big data with
AI to increase volume of evidence in clinical learning paradigms |
مقاله انگلیسی |