我们向Facebook先知推出了一位继任者，为可解释，可扩展和用户友好的预测框架制定了一个行业标准。随着时间序列数据的扩散，可说明的预测仍然是企业和运营决策的具有挑战性的任务。需要混合解决方案来弥合可解释的古典方法与可扩展深层学习模型之间的差距。我们将先知视为这样一个解决方案的前兆。然而，先知缺乏本地背景，这对于预测近期未来至关重要，并且由于其斯坦坦后代而挑战。 NeultProphet是一种基于Pytorch的混合预测框架，并用标准的深度学习方法培训，开发人员可以轻松扩展框架。本地上下文使用自动回归和协变量模块引入，可以配置为经典线性回归或作为神经网络。否则，NeultProphet保留了先知的设计理念，提供了相同的基本模型组件。我们的结果表明，NeultProcrophet在一组生成的时间序列上产生了相当或优质的质量的可解释的预测组件。 NeultProphet在各种各样的现实数据集合中占先知。对于中期预测，NeultProclecrophet将预测精度提高55％至92％。

Non-invasive prostate cancer detection from MRI has the potential to revolutionize patient care by providing early detection of clinically-significant disease (ISUP grade group >= 2), but has thus far shown limited positive predictive value. To address this, we present an MRI-based deep learning method for predicting clinically significant prostate cancer applicable to a patient population with subsequent ground truth biopsy results ranging from benign pathology to ISUP grade group~5. Specifically, we demonstrate that mixed supervision via diverse histopathological ground truth improves classification performance despite the cost of reduced concordance with image-based segmentation. That is, where prior approaches have utilized pathology results as ground truth derived from targeted biopsies and whole-mount prostatectomy to strongly supervise the localization of clinically significant cancer, our approach also utilizes weak supervision signals extracted from nontargeted systematic biopsies with regional localization to improve overall performance. Our key innovation is performing regression by distribution rather than simply by value, enabling use of additional pathology findings traditionally ignored by deep learning strategies. We evaluated our model on a dataset of 973 (testing n=160) multi-parametric prostate MRI exams collected at UCSF from 2015-2018 followed by MRI/ultrasound fusion (targeted) biopsy and systematic (nontargeted) biopsy of the prostate gland, demonstrating that deep networks trained with mixed supervision of histopathology can significantly exceed the performance of the Prostate Imaging-Reporting and Data System (PI-RADS) clinical standard for prostate MRI interpretation.

在本文中，我们回顾了同时正电子发射断层扫描（PET） /磁共振成像（MRI）系统的物理和数据驱动的重建技术，这些技术在癌症，神经系统疾病和心脏病方面具有显着优势。这些重建方法利用结构或统计的先验，以及基于物理学的宠物系统响应的描述。但是，由于正向问题的嵌套表示，直接的PET/MRI重建是一个非线性问题。我们阐明了多方面的方法如何适应3D PET/MRI重建的混合数据和物理驱动的机器学习，总结了过去5年中重要的深度学习发展，以解决衰减校正，散射，低光子数和数据一致性。我们还描述了这些多模式方法的应用如何扩展到PET/MRI以提高放射治疗计划的准确性。最后，我们讨论了遵循物理和深度学习的计算成像和下一代探测器硬件的最新趋势，以扩展当前最新趋势的机会。

从历史上看，患者数据集已用于开发和验证PET/MRI和PET/CT的各种重建算法。为了使这种算法开发，无需获得数百个患者检查，在本文中，我们展示了一种深度学习技术，可以从丰富的全身MRI中产生合成但逼真的全身宠物纹状体。具体来说，我们使用56 $^{18} $ F-FDG-PET/MRI考试的数据集训练3D残差UNET来预测全身T1加权MRI的生理PET摄取。在训练中，我们实施了平衡的损失函数，以在较大的动态范围内产生逼真的吸收，并沿着层析成像线的响应线对模仿宠物的获取产生计算的损失。预测的PET图像预计会产生合成宠物飞行时间（TOF）正式图，可与供应商提供的PET重建算法一起使用，包括使用基于CT的衰减校正（CTAC）和基于MR的衰减校正（MRAC（MRAC） ）。由此产生的合成数据概括了生理学$^{18} $ f-fdg摄取，例如高摄取量位于大脑和膀胱，以及肝脏，肾脏，心脏和肌肉的吸收。为了模拟高摄取的异常，我们还插入合成病变。我们证明，该合成PET数据可以与实际PET数据互换使用，用于比较CT和基于MR的衰减校正方法的PET量化任务，与使用真实数据相比，在平均值中实现了$ \ leq 7.6 \％$误差。这些结果共同表明，所提出的合成PET数据管道可以合理地用于开发，评估和验证PET/MRI重建方法。

对于放射科医生和深度学习算法而言，MRI的早期前列腺癌检测和分期是极具挑战性的任务，但是向大型和多样化数据集学习的潜力仍然是提高其内部和整个诊所的概括能力的有希望的途径。为了对原型阶段算法进行此项启用，其中大多数现有研究仍然存在，在本文中，我们引入了一个灵活的联合学习框架，用于跨站点培训，验证和评估深前列腺癌检测算法。我们的方法利用了模型体系结构和数据的抽象表示，该表示允许使用NVFlare联合学习框架对未打磨的原型深度学习模型进行培训。我们的结果表明，使用专门的神经网络模型以及在加利福尼亚大学两家研究医院收集的专门神经网络模型以及不同的前列腺活检数据的前列腺癌检测和分类精度的提高，这证明了我们方法在适应不同数据集并改善MR-Biomarker发现的方法方面的功效。我们开源的FLTOOLS系统可以很容易地适应其他深度学习项目进行医学成像。

基于深度学习模型的图像标题和低光图像增强存在惊人的进展。这篇论文首次开发了一个深入的学习模式，将夜景转化为句子，为视障女性安全开辟了AI应用的新可能性。灵感来自图像标题和视觉问题的回答，开发了一种新颖的交互式图像标题。通过影响注意力评分，用户可以使AI专注于任何选择的感兴趣的人。注意上下文向量从CNN特征向量和用户提供的开始字计算。编码器 - 注意式解码器神经网络学习从低亮度图像产生标题。本文展示了如何通过在夜间互动视觉语言模型中研究新的AI能力来实现妇女安全。

人工智能和纳米技术是人类未来的有希望的地区。虽然基于深度学习的计算机视觉在许多领域中发现了从医学到汽车的许多领域，其在纳米技术中的应用可以打开新的科学发现。我们可以应用ai探索我们眼睛看不到的对象，如纳米规模大小的物体吗？ AI平台可视化深度学习神经网络学习的纳米级模式，可以打开纳米技术的新边界。本文的目的是在扫描电子显微镜获得的纳米材料的图像上开发基于深度学习的可视化系统。本文贡献了AI平台，使任何纳米科学研究人员能够在视觉探索纳米材料的纳米级形态的视觉探索中使用AI。该AI是由可视化卷积AutoEncoder的中间激活的技术开发的。在该方法中，纳米尺度样本图像通过卷积神经网络转换为其特征表示。卷积AutoEncoder在100％SEM数据集上培训，然后应用CNN可视化。该AI产生纳米材料的各种概念特征表示。虽然SEM图像的深度学习的图像分类在文献中广泛发表，但是没有太多的出版物具有可视化的纳米材料的深神经网络。有一个重要的机会，了解机器学习提取的学习的见解。本文解锁了基于深度学习的可视化对电子显微镜的潜力，以提供各种纳米材料的提取特征和建筑模式。这是纳米尺度对象中可解释的AI中的贡献。本文贡献了URL的可重复结果的开源AI（https://sites.google.com/view/aifornanotechnology）

本文在资源受限边缘设备中阐明了声学单音和多音分类的模型。所提出的模型是最先进的快速准确稳定的微小门控复发性神经网络。通过使用较低的参数，通过使用更高的效率和降噪算法的参数，该模型与先前的假设方法相比，该模型改善了性能度量和较低尺寸。该模型实现为声学AI模块，专注于应用声音识别，本地化和部署，如自主汽车的AI系统。此外，包括本地化技术的潜力将新的维度添加到自动车辆中存在的多色分类器，因为它未来城市城市和发展中国家的需求增加。

据我们所知，这是第一份向门控Multilayer Perceptron引入卷积的论文，并促进了这一新颖的深度学习架构的实施。谷歌大脑于2021年5月推出了GMLP。微软在3月2021年推出了Vision变压器的卷曲。由GMLP和CVT的启发，我们在GMLP中引入了卷积层。 CVT结合卷曲和关注的力量。我们的实现结合了最好的卷积学习以及空间门控MLP。此外，该文件可视化CGMLP如何了解。可视化展示CGMLP如何从汽车轮廓等功能中学到。虽然关注是深度学习中大部分进展的基础，但GMLP提出了一种不使用注意计算的方法。在基于变压器的方法中，需要使用大量培训数据学习大量的注意矩阵。在GMLP中，通过使用较小的数据集传输学习，新任务的精细调整可能是具有挑战性的。我们实现CGMLP并将其与CIFAR数据集上的GMLP进行比较。实验结果探讨了CGMLP的Generaliza-Tion的力量，而GMLP则倾向于彻底过度使用训练数据。总而言之，本文贡献了一种新的深度学习架构，并在文献中首次展示了通过可视化的CGMLP的学习机制。

在本文中，我们探讨了序列模型执行跨域推理的能力。为此，我们提出了一个提示模板填充方法，以使序列序列模型来执行跨域推理。我们还展示了一种案例研究，具有致辞和健康和幸福的域名，在那里我们研究了临时模板填充的序列如何浏览序列跨域的序列模型。我们跨越几个佩带的编码器 - 解码器模型的实验表明，跨域推理对当前模型有挑战性。我们还展示了深入的错误分析和途径，以便在跨域推理的未来研究