由于不明显的早期症状和不完善的影像学检查方法，现有的早期和鉴别诊断口腔癌的方法受到限制。本文利用混合高斯过程（HGP）分类算法建立了口腔腺癌，癌组织和仅具有四个特征的对照组的分类模型，并介绍了降噪和​​后验概率的机制。 HGP在实验结果中显示出更好的性能。在实验过程中，口腔组织分为三组：腺癌（n = 87），癌（n = 100）和对照组（n = 134）。收集了这些组的光谱数据。拟议的HGP分类方法的前瞻性应用将诊断灵敏度提高到56.35％，特异性提高到大约70.00％，并且得到的马修斯相关系数（MCC）为0.36。事实证明，HGP在LRS检测分析中用于口腔癌的诊断具有准确的结果。应用前景也令人满意。

Robust Observer-Based Fault Diagnosis for Nonlinear Systems Using MATLAB®

- main为wdcnn卷积神经网络主文件，运行它就可以得出结果- preprocess为预处理文件，主要实现制作数据集的功能- 日志文件保存在logs里面，通过启动tensorboard查看

本程序使用svm用来故障诊断，对象为TE过程，故障识别率为百分之七十八，效果非常好

Rolling_Element_Bearings_Fault_Intelligent_Diagnosis_Based_on_Co

语言:English (United States) 此扩展旨在帮助医生和患者有效地找到对个别病例有用的医疗资源。 该扩展旨在帮助医生和患者有效地找到对个别病例有用的医疗资源。 最新版本的V1.0支持搜索功能：由医生或症状检查者提供症状列表和可能的疾病列表，在PubMed上查找与症状密切相关的文章。 关联性定义为输入症状在给定文章中出现的次数。

深度学习的显著成功引发了人们对其在医学诊断中的应用的兴趣。即使最先进的深度学习模型在对不同类型的医疗数据进行分类时达到了人类水平的准确性，但这些模型在临床工作流程中很难被采用，主要是因为它们缺乏可解释性。深度学习模型的黑盒性提出了设计策略来解释这些模型的决策过程的需要，这导致了可解释人工智能(XAI)这个话题的产生。在此背景下，我们提供了XAI应用于医疗诊断的全面综述，包括可视化、文本和基于示例的解释方法。此外，这项工作回顾了现有的医学成像数据集和现有的指标，以评估解释的质量。作为对大多数现有综述的补充，我们包含了一组基于报告生成方法之间的性能比较。最后，还讨论了XAI在医学影像应用中的主要挑战。 https://www.zhuanzhi.ai/paper/f6e90091666dbcaa5b40c1ab82e9703b 引言 人工智能(AI)领域在过去十年取得的进展，支持了大多数计算机视觉应用的准确性的显著提高。医学图像分析是在对不同类型的医学数据(如胸部X光片[80]、角膜图像[147])进行分类时取得人类水平精确度的应用之一。然而，尽管有这些进展，自动化医学成像在临床实践中很少

使用深度神经网络自动进行ECG诊断 用于训练和测试用于ECG自动分类的深度神经网络的脚本和模块。 论文“使用深度神经网络自动诊断12导联心电图”的同伴代码。 。 引文： Ribeiro, A.H., Ribeiro, M.H., Paixão, G.M.M. et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun 11, 1760 (2020). https://doi.org/10.1038/s41467-020-15432-4 Bibtex： @article{ribeiro_automatic_2020, title = {Automatic Diagnosis of the 12-Lead {{ECG}} Using a Deep Neural Netwo

采用Kalman滤波对系统进行故障诊断，利用卡方分布确定故障的类型。

脑电癫痫诊断 R代码可训练14个通道的EEG数据的分类器，以区分癫痫患者和对照组。 请检查文件夹“演示”以了解如何使用该代码。 有关所有功能的文档位于文件夹“ man”中，将被编译为pdf（尚未完成）