排序方式: 共有36条查询结果,搜索用时 15 毫秒
1.
为提高农作物重大病虫害发生信息自动化、智能化采集能力,全面提升监测预警水平,笔者基于大数据、人工智能和深度学习技术,研发了一款农作物病虫害移动智能采集设备——智宝,主要实现了3个方面的功能:一是病虫害发生信息自动采集上报.通过该产品进行人工拍照,可实现对田间农作物重大病虫害发生图像、发生位置、发生数量、微环境因子等数据的实时采集和上报.二是自动识别计数.基于植保大数据与人工智能技术,通过构建病虫害自动识别系统,可实现重大病虫害精准识别与分析,只要拍摄照片,即可快速、精确地识别病虫害种类,并自动计数、上报到指定的测报系统.三是自动分析判别分级.针对拍摄采集上报的重大病虫害发生信息,系统可在自动识别和计数的基础上,进一步对病虫害发生严重程度进行智能判别分级,甚至根据相关预测模型,对病虫害的发生趋势进行辅助分析预测,提出预测建议.通过2016—2019年组织多地植保机构进行试验改进,该技术产品日趋成熟,有望在未来的农作物病虫害发生信息采集和预测预报工作中推广使用. 相似文献
2.
3.
近年来,以自然语言处理和视频图像分析为主的人工智能大模型技术得到快速发展,其基本特征是聚焦相关应用领域的共性需求,通过大数据、强算力和复杂算法的高效协同与深度融合,构建通用预训练模型,广泛适配下游任务,有力提高模型的处理性能与研发效率.因此,大模型技术为医学人工智能高质量发展提供了难得契机.本文通过全面梳理国内外大模型的研究进展、关键技术与核心算法,分析总结生物医学领域一系列标准数据集和预训练模型的发展特点,结合医学人工智能的研发实践,深入剖析医学领域大模型构建的应用需求、解决思路与研发经验,助力推动医学大模型创新发展. 相似文献
4.
随着组学技术的不断发展,对于不同层次和类型的生物数据的获取方法日益成熟。在疾病诊治过程中会产生大量数据,通过机器学习等人工智能方法解析复杂、多维、多尺度的疾病大数据,构建临床决策支持工具,辅助医生寻找快速且有效的疾病诊疗方案是非常必要的。在此过程中,机器学习等人工智能方法的选择显得尤为重要。基于此,本文首先从类型和算法角度对临床决策支持领域中常用的机器学习等方法进行简要综述,分别介绍了支持向量机、逻辑回归、聚类算法、Bagging、随机森林和深度学习,对机器学习等方法在临床决策支持中的应用做了相应总结和分类,并对它们的优势和不足分别进行讨论和阐述,为临床决策支持中机器学习等人工智能方法的选择提供有效参考。 相似文献
5.
MRI,PET,和CT等医学影像在新药研发和精准医疗中起着越来越重要的作用。影像技术可以被用来诊断疾病,评估药效,选择适应患者,或者确定用药剂量。 随着人工智能技术的发展,特别是机器学习以及深度学习技术在医学影像中的应用,使得我们可以用更短的时间,更少的放射剂量获取更高质量的影像。这些技术还可以帮助放射科医生缩短读片时间,提高诊断准确率。除此之外,机器学习技术还可以提高量化分析的可行性和精度,帮助建立影像与基因以及疾病的临床表现之间的关系。首先根据不同形态的医学影像,简单介绍他们在药物研发和精准医疗中的应用。并对机器学习在医学影像中的功能作一概括总结。最后讨论这个领域的挑战和机遇。 相似文献
6.
人工智能技术发展日趋成熟。其中的专家系统已经在诸如石油矿产预测、质谱数据解释、医疗诊断等科技领域得到成功的应用,并正向生命科学研究各领域渗透。色谱分离纯化技术是生物技术下游处理的重要手段之一。它的工艺流程设计、合成与优化对于减少分离步骤、加强操作自动化,节省人力,提高产品产量和质量,降低成本至关重要。人工智能技术在这方面所起的作用如何?它的发展现状和未来趋势怎样?下文拟就这些问题作一概要介绍。 相似文献
7.
9.
目的
运用知识管理的理念和方法,探讨切合实际应用的临床决策支持知识库概念模型,使医院能够通过知识管理提升其核心竞争力。方法 收集国内外相关资料,系统化研究及分析具有人工智能的临床决策支持知识库的框架。结果 实施医院知识管理的关键就是必须建立一个动态的,并具有自我学习能力的临床决策支持知识库,该知识库不仅需要通过医院信息系统收集传统的医学知识,而且需要建立用于临床指南等的标准医学知识收集的引擎和隐性知识转化模型,并嵌入智能化工具,通过知识库的自我学习功能,保证其动态更新和智能化的临床决策支持能力。结论 医院知识库创建过程实质也是医院价值的创造过程,智能化的临床决策支持知识库开发不仅涉及知识的收集和处理, 还包括知识的表达,人工智能技术的嵌入和各种规则、条件及分类方法等的应用,有待进一步研究。 相似文献
10.
抑郁症是当今社会上造成首要危害且病因和病理机制最为复杂的精神疾病之一,寻找抑郁症的客观生物学标志物一直是精神医学研究和临床实践的重点和难点,而结合人工智能技术的磁共振影像(magnetic resonance imaging,MRI)技术被认为是目前抑郁症等精神疾病中最有可能率先取得突破进展的客观生物学标志物.然而,当前基于精神影像学的潜在抑郁症客观生物学标志物还未得到一致结论 .本文从精神影像学和以机器学习(machine learning,ML)与深度学习(deep learning, DL)等为代表的人工智能技术相结合的角度,首次从疾病诊断、预防和治疗等三大临床实践环节对抑郁症辅助诊疗的相关研究进行归纳分析,我们发现:a.具有诊断价值的脑区主要集中在楔前叶、扣带回、顶下缘角回、脑岛、丘脑以及海马等;b.具有预防价值的脑区主要集中在楔前叶、中央后回、背外侧前额叶、眶额叶、颞中回等;c.具有预测治疗反应价值的脑区主要集中在楔前叶、扣带回、顶下缘角回、额中回、枕中回、枕下回、舌回等.未来的研究可以通过多中心协作和数据变换提高样本量,同时将多元化的非影像学数据应用于数据挖掘,这将有利于提高人工智能模型的辅助分类能力,为探寻抑郁症的精神影像学客观生物学标志物及其临床应用提供科学证据和参考依据. 相似文献