预计气候变化将增加干旱事件的可能性，对粮食安全的严重影响。与其他自然灾害不同，干旱发病缓慢并取决于各种外部因素，在气候数据中进行干旱检测。与现有的作品相比，依赖于简单的相对干旱指数作为地面真实数据，我们建立了从水文模型获得的土壤湿度指数（SMI）。该指数与植被不充分的水直接相关。鉴于Modis卫星观察的土地利用信息六个月的ERA5 - 土地气候投入数据，我们比较了基于SMI对干旱进行序贯感应偏差的不同型号。我们使用PR-AUC作为评估措施，以考虑阶级的不平衡，并且尽管基于时间的挑战性分裂，但获得了有希望的结果。我们进一步展示了一种消融研究，即该模型保留了它们的预测能力，给出了较粗糙分辨率的输入数据，如气候模型常常遇到的。

Segmentation of regions of interest (ROIs) for identifying abnormalities is a leading problem in medical imaging. Using Machine Learning (ML) for this problem generally requires manually annotated ground-truth segmentations, demanding extensive time and resources from radiologists. This work presents a novel weakly supervised approach that utilizes binary image-level labels, which are much simpler to acquire, to effectively segment anomalies in medical Magnetic Resonance (MR) images without ground truth annotations. We train a binary classifier using these labels and use it to derive seeds indicating regions likely and unlikely to contain tumors. These seeds are used to train a generative adversarial network (GAN) that converts cancerous images to healthy variants, which are then used in conjunction with the seeds to train a ML model that generates effective segmentations. This method produces segmentations that achieve Dice coefficients of 0.7903, 0.7868, and 0.7712 on the MICCAI Brain Tumor Segmentation (BraTS) 2020 dataset for the training, validation, and test cohorts respectively. We also propose a weakly supervised means of filtering the segmentations, removing a small subset of poorer segmentations to acquire a large subset of high quality segmentations. The proposed filtering further improves the Dice coefficients to up to 0.8374, 0.8232, and 0.8136 for training, validation, and test, respectively.

人工智能（AI）技术在医学成像数据中的应用带来了令人鼓舞的结果。作为医学成像中AI管道的重要分支，放射线学面临两个主要挑战，即可重复性和可访问性。在这项工作中，我们介绍了开放放射线学，一组放射素学数据集以及一条全面的放射线学管道，该管道研究了放射素学的效果，具有提取设置，例如萃取设置，例如BINWIDTH和图像归一化对放射线学结果表现可重复性的可重复性。为了使放射科学研究更容易访问和可重现，我们为放射系统数据提供了建筑机器学习（ML）模型的指南，引入开放式放射线学，开放源代码放射线数据集的不断发展的集合，并为数据集发布基线模型。

人类可以在各种时间尺度和层次级别上做出预测。因此，对事件编码的学习似乎起着至关重要的作用。在这项工作中，我们通过自主学习的潜在事件代码对层次预测的开发进行建模。我们提出了分层复发性神经网络结构，其诱导学习偏见促进了压缩感觉运动序列的稀疏潜在状态的发展。更高级别的网络学会了预测潜在国家倾向于改变的情况。使用模拟机器人操纵器，我们证明系统（i）学习了准确反映数据事件结构的潜在状态，（ii）在较高级别上开发有意义的时间抽象预测，（iii）生成了靶心，相似的行为在与婴儿的眼神追踪研究中发现的凝视行为。该体系结构为自主学习收集的经验的压缩层次编码以及对这些编码产生适应性行为的开发提供了一步。

物理知识的神经网络（PINN）是一种流行的方法，可以将有关物理系统的先验知识纳入学习框架。众所周知，针对较小的训练集，提出更好的概括问题，并且训练更快。在本文中，我们表明，与纯数据驱动的神经网络相比，使用PINN不仅有利于训练性能，而且使我们能够提取有关近似解决方案质量的重要信息。假设PINN训练的基础微分方程是一个普通的微分方程，我们会在PINN预测误差上获得严格的上限。即使适用于未包含在训练阶段的输入数据，也没有任何有关真实解决方案的知识。因此，我们的后验误差估计是证明PINN的必要步骤。我们将误差估计器应用于两个学术玩具问题，其中一个属于模型预测性控制类别，从而显示了派生结果的实际使用。

脑肿瘤分割是肿瘤体积分析和AI算法的关键任务。然而，它是一种耗时的过程，需要神经加理学专业知识。虽然已经进行了广泛的研究，其专注于在成人人群中优化脑肿瘤细分，但对AI引导的儿科肿瘤细分的研究是稀缺的。此外，儿科和成人脑肿瘤的MRI信号特征不同，需要开发专为儿科脑肿瘤设计的分段算法。我们开发了一种在医院医院（Toronto，Ontario，加拿大）的磁共振成像（PLGGS）的磁共振成像（MRI）培训的分割模型。所提出的模型通过将肿瘤的遗传改变分类器添加为主网络的辅助任务来利用深度多任务学习（DMTL），最终提高分段结果的准确性。

背景：虽然卷积神经网络（CNN）实现了检测基于磁共振成像（MRI）扫描的阿尔茨海默病（AD）痴呆的高诊断准确性，但它们尚未应用于临床常规。这是一个重要原因是缺乏模型可理解性。最近开发的用于导出CNN相关性图的可视化方法可能有助于填补这种差距。我们调查了具有更高准确性的模型还依赖于先前知识预定义的判别脑区域。方法：我们培训了CNN，用于检测痴呆症和Amnestic认知障碍（MCI）患者的N = 663 T1加权MRI扫描的AD，并通过交叉验证和三个独立样本验证模型的准确性= 1655例。我们评估了相关评分和海马体积的关联，以验证这种方法的临床效用。为了提高模型可理解性，我们实现了3D CNN相关性图的交互式可视化。结果：跨三个独立数据集，组分离表现出广告痴呆症与控制的高精度（AUC $ \ GEQUQ $ 0.92）和MCI与控制的中等精度（AUC $ \约0.75美元）。相关性图表明海马萎缩被认为是广告检测的最具信息性因素，其其他皮质和皮质区域中的萎缩额外贡献。海马内的相关评分与海马体积高度相关（Pearson的r $ \大约$ -0.86，p <0.001）。结论：相关性地图突出了我们假设先验的地区的萎缩。这加强了CNN模型的可理解性，这些模型基于扫描和诊断标签以纯粹的数据驱动方式培训。