准确性是当前工作的关键重点，用于时间序列分类。但是，许多应用程序中的速度和数据降低同样重要，尤其是当数据量表和存储需求迅速增加时。当前的MTSC算法需要数百个计算小时才能完成培训和预测。这是由于多元时间序列数据的性质，该数据随时间序列，其长度和通道数量而增长。在许多应用程序中，并非所有渠道都对分类任务有用。因此，我们需要可以有效选择有用的渠道并节省计算资源的方法。我们提出并评估两种用于渠道选择的方法。我们的技术通过由原型时间序列表示每个类，并根据类之间的原型距离执行通道选择。主要假设是有用的通道可以在类之间进行更好的分离。因此，类原型之间具有较高距离的通道更有用。在UEA多元时间序列分类（MTSC）基准上，我们表明这些技术可实现显着的数据降低和分类器加速，以达到类似的分类精度。在训练最先进的MTSC算法之前，将通道选择作为预处理步骤，并节省了约70 \％的计算时间和数据存储，并保留了精确度。此外，我们的方法使甚至可以使用不使用通道选择或前向通道选择的有效分类器（例如Rocket）获得了更好的准确性。为了进一步研究我们的技术的影响，我们介绍了对具有100多个通道的合成多元时间序列数据集进行分类的实验，以及在具有50个渠道的数据集上进行的真实世界案例研究。我们的渠道选择方法可通过保留或提高的精度可显着减少数据。

Self-supervised image denoising techniques emerged as convenient methods that allow training denoising models without requiring ground-truth noise-free data. Existing methods usually optimize loss metrics that are calculated from multiple noisy realizations of similar images, e.g., from neighboring tomographic slices. However, those approaches fail to utilize the multiple contrasts that are routinely acquired in medical imaging modalities like MRI or dual-energy CT. In this work, we propose the new self-supervised training scheme Noise2Contrast that combines information from multiple measured image contrasts to train a denoising model. We stack denoising with domain-transfer operators to utilize the independent noise realizations of different image contrasts to derive a self-supervised loss. The trained denoising operator achieves convincing quantitative and qualitative results, outperforming state-of-the-art self-supervised methods by 4.7-11.0%/4.8-7.3% (PSNR/SSIM) on brain MRI data and by 43.6-50.5%/57.1-77.1% (PSNR/SSIM) on dual-energy CT X-ray microscopy data with respect to the noisy baseline. Our experiments on different real measured data sets indicate that Noise2Contrast training generalizes to other multi-contrast imaging modalities.

口服食物挑战（OFC）对于准确诊断患者的食物过敏至关重要。但是，患者不愿接受OFC，对于那些这样做的患者，在农村/社区医疗保健环境中，对过敏症患者的使用率有限。通过机器学习方法对OFC结果的预测可以促进在家中食品过敏原的删除，在OFC中改善患者和医师的舒适度，并通过最大程度地减少执行的OFC的数量来节省医疗资源。临床数据是从共同接受1,284个OFC的1,12例患者那里收集的，包括临床因素，包括血清特异性IgE，总IgE，皮肤刺测试（SPTS），症状，性别和年龄。使用这些临床特征，构建了机器学习模型，以预测花生，鸡蛋和牛奶挑战的结果。每种过敏原的最佳性能模型是使用凹入和凸内核（LUCCK）方法创建的，该方法在曲线（AUC）（AUC）下分别用于花生，鸡蛋和牛奶OFC预测为0.76、0.68和0.70， 。通过Shapley添加说明（SHAP）的模型解释表明，特定的IgE以及SPTS的Wheal和Flare值高度预测了OFC结果。该分析的结果表明，机器学习有可能预测OFC结果，并揭示了相关的临床因素进行进一步研究。