由于获取和存储标准的差异，从多个来源创建大量的医学放射学图像数据集可能具有挑战性。控制和/或评估图像选择过程的一种可能方法是通过医学图像聚类。但是，这需要一种有效的方法来学习潜在图像表示。在本文中，我们仅使用像素数据来解决医学图像的全面观察聚类的问题。我们测试了几种现代方法的性能，该方法建立在卷积自动编码器（CAE）的顶部 - 卷积深层嵌入式聚类（CDEC）和卷积改进的深层嵌入聚类（CIDEC）和基于预设特征提取的三种方法 - 方向提取的方法（HOG），局部二进制模式（LBP）和主成分分析（PCA）。 CDEC和CIDEC是端到端聚类解决方案，涉及同时学习潜在表示和聚类分配，而其余方法则依赖于固定嵌入的K-均值聚类。我们在30,000张图像上训练模型，并使用由8,000张图像组成的单独测试集进行测试。我们从临床医院中心Rijeka的PACS存储库档案库中取样了数据。为了进行评估，我们在两个目标参数上使用轮廓分数，同质性评分和归一化的相互信息（NMI），与通常发生的DICOM标签紧密相关 - 模态和解剖区域（调整后的身体培养标签）。 CIDEC相对于解剖区域的NMI得分为0.473，而CDEC相对于TAG模式，NMI得分为0.645，两者都优于其他常用的特征描述符。

人类机器人的互动会影响人类，这通常会改变行为。本文探讨了这种改变行为的外部性 - 偏好变化。它扩展了先前关于AI系统偏好变化的工作。具体而言，本文将探讨机器人的适应性行为如何通过社交互动来发挥影响力，从而改变用户的喜好。它认为，与其他普遍技术相比，机器人独特影响行为的能力，这一风险很高。因此，有说服力的机器人会冒着操纵的风险。