基于从头训练模式深度学习卷积神经网络模型评估急性肺栓塞的价值

目的分析基于从头训练模式深度学习-卷积神经网络模型[the deep learning convolutional neural network model trained from scratch,DL-CNN(fs)]的人工智能算法评估急性肺动脉血栓栓塞(acute pulmonary thromboembolism,APE)的价值。方法回顾性纳入214例可疑APE行CT肺动脉造影(CTPA)的住院患者,包括急性肺动脉血栓栓塞137例,阴性77例。放射科医师根据CTPA图像判断有无APE,并计算Qanadli评分、Mastora评分和其他CTPA参数。采用DL-CNN(fs)训练网络模型自动检测栓子的分布及容积。评估DL-CNN(fs)模型测量血栓分布的价值,计算血栓负荷与Qanadli评分、Mastora评分和其他CTPA参数的相关性。结果DL-CNN(fs)测算的中心肺动脉栓子敏感度、特异度、感兴趣区曲线下面积(AUC)分别为100%、16.8%、0.584(95%CI,0.508~0.661);DL-CNN(fs)测算的外周肺动脉栓子敏感度、特异度、AUC均较高(R1-R9,60.8%~95.2%,67.9%~87.1%,0.740~0.844;L1-L10,64.6%~93.4%,62.7%~83.1%,0.732~0.791)。DL-CNN(fs)测算的栓子体积与Qanadli score肺栓塞指数显著正相关(r=0.867,P<0.001),与Mastora score肺栓塞指数显著正相关(r=0.854,P<0.001),与右心室及左心室最大横径比、右心室及左心室最大面积比呈正相关(r=0.549,0.559,P<0.01)。结论DL-CNN(fs)模型检测外周肺动脉栓子具有较高的价值,对中心肺动脉栓子诊断特异度有待进一步提高。DL-CNN(fs)模型自动提供APE患者的栓子体积,可以一定程度反映栓塞程度及右心功能,能够辅助医生对于APE患者血栓负荷及危险分层的快速评估。

学习者数据肖像支撑下的个性化学习路径破解——学习计算的价值赋予

随着自适应学习技术、学习计算、机器学习等先进学习分析技术的逐步成熟,以改善学习体验和促进学生个性发展为目标的个性化学习路径,有了可实现的契机。为此,通过对数据集驱动下的学习工程学研究范式的解读,揭示了数据分析对学习理论和技术增强下的学习材料的应用价值。之后,对个性化学习服务的实施阶段和外部新技术支持进行了阐述,对基于学习行为数据的个性化学习特征进行解析,并进一步设计了基于数字化学习环境下的学习者数据肖像模型。在此基础上,对个性化学习路径的内涵与特征进行了剖析,提出基于数据肖像模型的个性化学习路径实施框架。通过研究设计个性化学习路径系统平台结构,明确各功能层服务定位,可以为该类平台的开发提供有益的启示。

非负矩阵分解的分布式算法

提出一种解决大规模非负矩阵分解的分布式算法.非负矩阵分解一直是矩阵分解领域中的热点问题之一,已有一些相关的算法.但是,对于大规模的非负矩阵,至今尚无高效的方法.本文采用近来解决大数据的分布式思想和并行式计算方法,并将它们与传统的矩阵分解算法相结合,提出一种基于并行式计算的分布式网络算法,以此实现大规模的非负矩阵分解问题.实验结果表明,所提出的算法较一般的分布式算法与集中式矩阵分解的算法更加有效和快速.

高校体育馆设计思辨——大连理工大学体育馆设计

在高校体育馆设计中,功能结构应与竞技与健身兼职,空间须灵活,功能应综合,获取最大的效益;造型应传达时代气息,展示校园新风貌;结构须与建筑结合,技术需整合展示技术美;应做投资与效益、造价与期效分析,优化设计方案。