简介：本文的首席执行官注释将介绍人工智能电子鸟的相关内容。我希望这对每个人都会有所帮助。让我们来看看。
在中间大厅中间，这只旧电子鸟今年叫。当然，没有什么坏处。尽管以前没有电话，但它表明它现在被称为，这意味着它很好，而且也很愉快。
一个称为“诺曼”的“不安”的神经网络看到墨水中令人不安的暴力图像。（?Thunderbrush/Mit Media Labs）
一个称为“诺曼”的神经网络正在干扰其他类型的人工智能（AI）。
这是一个研究人工智能和机器学习的实验室，位于麻省理工学院媒体实验室。据说诺曼的计算机大脑暴露在“雷迪特最黑暗的角落”。（是的，愚人节）在项目网站上发布的描述，人工智能留下了“慢性幻觉障碍”。马萨诸塞州媒体实验室的代表性描述“诺曼建筑中有一些基本的弊端，使他无法接受训练。”他补充说，即使他没有联系可爱小猫的全息图，也足以在Reddit Intestine中对计算机的大脑产生足够的伤害。
这个怪异的故事显然是一个恶作剧，但是诺曼本身是真实的。夫人人工智能学会了在墨水时以暴力和恐怖场面的反应。它的反应表明，它的“思想”已经遇到了心理障碍。
当将诺曼（Norman）称为“人工智能”时，其创作者忽略了精神疾病状况的临床定义。根据“科学美国”杂志的说法
描述了一系列特征，包括缺乏同情或罪恶感，以及犯罪或冲动行为。诺曼（Norman他们看到的描述。
当马萨诸塞州理工学院的媒体实验室的代表用公鸡墨水测试了其他神经网络时，这些描述是平庸的和温和的，例如“飞机飞过空中，烟从飞机上漂流”和“鸟”根据网站，Sblack和White Photos”
但是，诺曼对同一墨水的反应有一个黑暗的转折点。“精神疾病”描述的人工智能模型是“从汽车上扔出的子弹”和“被拉入面团机器的人”。
（马萨诸塞州理工学院媒体实验室）
根据恶作剧，人工智能目前位于地下室的隔离服务器室。通过与诺曼的接触，它可以保护他人的计算机和互联网，以避免污染或损害。此外，房间中有一些武器，例如灯，锯和锤子，用于拆除诺曼的物理拆卸。马萨诸塞州理工学院媒体实验室的代表说：“如果所有数字和电子故障都是错误的，他们可以使用它。这些武器。”四月愚人节的进一步记录表明，诺曼构成了独特的危险。在与神经网络相互作用的10个实验中，有4人遭受了“永久心理损害”（到目前为止，尚无证据表明与人工智能的互动将对人类造成任何伤害）。
神经网络是一种计算机接口，与人脑相似。谢谢神经网络，人工智能可以通过分析数据（例如向照片添加字幕添加字幕）来“学习”独立的动作。这些数据显示了此任务的典型执行方法。它收到的数据越多，所需的信息越多，遵循可预测模型的可能性就越大。
例如，一个名为“噩梦机”的神经网络由MIT的同一群人建造 - 经过训练以识别可怕的图像并分析可怕的视觉元素。噩梦 - 像图像。
另一个神经网络以类似的方式训练了恐怖故事。《弗兰肯斯坦》的作者马里·沃尔（Mary Wall）被称为“石器时代的斯托尼克拉夫·雪莱（Stonecraft Shelley）”。人工智能消耗了14万多个恐怖故事，并学会了创造自己的原始恐怖故事。
，然后是诺曼，他看到了五颜六色的墨水，标准人工智能将其描述为“桌上的婚礼蛋糕的近距离”，并看到了一个“被超速驾驶员杀死的人”。
，但可能会有诺曼的希望。网站上的访问者有机会通过参加调查来帮助人工智能，该调查收集了他们对10次墨水的答案。马萨诸塞州科技研究所媒体实验室的代表人士在网站上建议他们解释他们的解释。可以帮助任性的神经网络自我修复。
这是关于生命科学的原始文章。
人工智能应用的七个主要领域
人工智能学科研究的主要内容包括：知识表示，自动推理和搜索方法，机器学习和知识获取，知识处理系统，自然语言理解，计算机视觉，智能机器人，自动计划设计和其他方面。
人工智能有广泛的前景。最近，“ AI+”已成为一家公司。到目前为止，以下是2019年人工智能应用程序最广泛使用的情况。
家
智能房屋主要基于事物互联网技术，通过智能硬件，软件系统和云计算平台形成完整的智能家居生态系统。家庭环境的安全性，节能，便利性和便利性。值得一提的是，随着过去两年来智能语音技术的发展，智能扬声器已成为爆炸点。
小米，TMALL，ROKID和其他公司已经推出了自己的智能扬声器，不仅成功地开放了家庭市场，而且还养成了未来智能家居用品的用户习惯。很复杂。如何开放这些产品之间的沟通障碍并建立安全可靠的智能家庭服务环境是行业的下一步。
零售
人工智能在零售领域的应用已被广泛使用。无人的便利店，智能供应链，乘客流量统计，无人仓库/无人驾驶汽车等都是流行的方向。通过人工智能，深度学习，图像智能识别，大数据应用和其他技术，工业机器人可以做出独立的判断和行为，以完成各种复杂的复杂复合物。
顶级技术将人工智能技术应用于乘客流量统计。通过人的面部识别乘客流量统计，商店可以从性别，年龄，表情，新客户和保留时间来建立肖像用户肖像，以及保留Timedata Foundation帮助商店运营，从匹配真实的角度提高转化率存储乘客流。
运输
智能运输系统是智能运输系统中的通信，信息和控制技术集成的产品。其最广泛使用的地区是日本，其次是美国，欧洲和其他地区。目前，我所在国家的应用主要收集和分析车辆流量和运输速度的驱动速度，这可以监视和派遣流量以有效提高交通能力，简化交通管理并减少环境污染。
药物治疗
目前，垂直领域的图像算法和自然语言处理技术基本上已经满足了医疗行业的需求。许多技术服务提供商都出现在市场上，例如Chinang Yunxing，它提供了智能医学成像技术，并开发了人工智能细胞识别医学诊断系统。诊断服务平台。尽管智能医学在协助诊断和治疗，疾病预测，医学成像辅助诊断和药物开发方面起着重要作用例如企业与医院之间不透明的合作。技术开发和数据供应之间存在矛盾。
教育
Hkust Xunfei和Xuexue教育等公司已经开始探索人工智能在教育领域的应用。通过图像识别，机器校正论文，可以执行测试问题；语音识别可以纠正和改进；人机互动可以在线问题回答问题和其他功能。AI和教育的组合可以在一定程度上改善教育行业教师分配不平衡的问题。它为教师和学生提供了更有效的学习方法，但不能对教育内容产生更大的影响。
后勤
物流行业已经在运输，仓库，分销，装载和卸载的过程中自动使用智能搜索，推理计划，计算机愿景和智能机器人，并基本上可以实现无人操作。分销计划，优化物流供应，需求匹配，物流资源等的分配，物流行业中的大多数人力都在“最后一英里”分销链接中分发。JD.com，Suning和Cainiao努力开发无人机和无人机以抓住市场机会。
安全
近年来，中国的安全监测行业发展迅速，视频监视的数量继续增加。公共和个人场景监控摄像机的装置总数已超过1.75亿次。此外，在一些较早的城市中，视频监视已得到全部覆盖。增长空间。
目前，安全监测行业的发展经历了四个开发阶段，即模拟监控，数字监控，网络高定义和智能监控的时代。每个行业的变化是由于算法的技术创新，芯片的技术创新造成的。和组件以及由其驱动的成本下降。因此，工业链上游的技术创新和成本控制已成为升级安全监控系统功能和工业规模增长的关键，并且它也已成为该行业可持续发展的重要基础。
凯瑟琳·勒·贝雷（Catherine Le Berre）等。
摘要：自2010年以来，医疗应用在医疗应用中取得了重大进展。人工智能在胃肠道疾病中的应用包括内窥镜病变分析，癌症测试和分析炎症性病变或无线囊囊中的胃肠道出血。评估肝纤维化并区分胰腺癌患者和胰腺炎患者。夫人人工智力还可以根据多组科学数据来确定患者对治疗的反应的预后或预测。本文总结了帮助医生诊断或确定的方法人工智能的预后，讨论其局限性，并了解卫生当局批准人工智能技术之前的进一步随机控制研究。
关键词：深度学习；机器学习；神经网络;消化系统
人工智能没有一个定义。人工智能的概念包含与我们的人类智能相关的功能的过程，例如学习和探索以解决问题[1,2]。人工智能，机器学习和深度学习是概念学科（见图1）。是一门庞大的学科，包括计算机科学和统计。机器学习程序重复迭代迭代，以应对改进特定任务的性能并生成算法，以分析数据和研究描述和预测。大多数培训数据都以表格，对象或个人的形式组织，以及执行对象或个人的形式变量是列，无论是数值还是分类。机器学习可以大致分为监督方法和无监督方法。无监督学习的目的是基于对组的数量或特征的共同知识来识别小组。在培训数据中，每个对象的输入-Output- pairs使用中的监督学习。输入包含个人的特征描述，输出包含要预测的感兴趣的结果，要么分类任务或返回任务的值。关系。当出现新输出时，它会自动预测其相应的输出[3]。
人工神经网络（ANN）是受大脑解剖结构启发的监测ML模型。EAST神经元是一个计算单元，所有神经元彼此连接以建立整个网络。信号从第一层传递（输入））到最后一层（输出），它可能会传递多个隐藏层（请参见图2）。训练神经网络的过程包括将数据分为训练集。该训练集有助于定义网络的体系结构并找到节点之间的权重。输出的能力。在训练过程中，神经网络中神经元之间的连接权重得到了连续优化。对更好性能的持续追求导致复杂的深神经网络的诞生[4]。
大多数使用数据集培训机器学习过程的研究以及另一个独立的数据集测试其性能。一些研究使用常见的验证方法，例如留下交叉验证方法[8]。为了增加培训数据，一些研究使用剪切，调整大小，翻译和转向任何轴的数据增强方法。数据集包括负图像和正面图像的结果。
目前，有53项研究已使用AI检测癌症的恶性和前肠病变（表1）。从方法论的角度来看，其中大多数（48个项目）集中在内窥镜上。三项研究使用从电子病历中提取的临床和生物学数据（主要包括种群统计，心血管疾病，药物，消化症状，消化症状，血液计数），1个基于血清肿瘤标记的研究，1个项目使用肠道微生物组数据。零件的观点，有27项研究致力于提高结直肠息肉或癌症的诊断诊断的准确性[12-38]。19. 19.研究重点是诊断前的诊断或恶性病变[39-57]。仅4个研究仅限于小肠研究[58-61] .3研究的重点是整个消化道[62-64]从验证方法的角度来看，24项研究采用特殊验证方法，主要是K折叠验证。对于内窥镜检查的重点，在不同的研究中，训练和测试数据集的大小非常不同。各种研究的性能是同样巨大（我个人认为这主要取决于数据集），但是大多数算法的准确性达到了80％以上。
两个已发表的随机控制实验比较了智力和非智能内窥镜检查的性能。第一项研究测试了真实时间深度学习系统（WISENSE）的性能，以监测食道胃肠道结肠镜检查中的盲点（EGD）。324名患者被随机分配给具有或没有智慧系统的EGD。在WISENSEST组中，准确性达到90.4％，其盲点率明显低于对照组（5.9％vs 22.5％）[65] [65]。第二项研究探讨了基于DL的自动息肉检测系统在结肠镜检查中的作用。共有1,058名患者被随机分配给具有或没有智能辅助系统的诊断性结肠镜检查。人工智能系统已将腺瘤的检测率从20.3％显着提高到29.1％，而每个患者从平均患者中检测到的腺瘤数量增加。0.31至0.53 [66]。这些结果表明，人工智能系统可用于增加内窥镜检查对胃肠癌的诊断价值。
除了提高诊断的准确性外，人工智能还可以帮助医生确定胃肠道肿瘤患者的预后。与传统Cox回归模型相比，基于1219例结直肠癌患者的数据集建立的神经网络，它提供一个更准确的生存时间和影响因素[67]，可用于确定患者遥远转移的风险。[68]。人工神经网络模型评估了452例胃癌患者，并确定了准确性的生存时间约90％。[69]在对117例患者的一项研究中，根据肿瘤的分子特征，基于神经网络的评分系统将肿瘤手术后的患者分为三组：高，中和低风险组。三组患者的总生存率和无疾病的生存率显着差异[70]。对局部晚期直肠癌患者的深度学习预测，其完全缓解率为80％的NEO辅助化学疗法。该技术可用于鉴定最有可能从保守治疗或根治切除的患者[71]。此外，根据临床，病理数据和病理学数据，基于DL的模型可以预测1190例胃癌患者5年患者治疗计划。系统的AUC值为0.92，肿瘤的分子特征与最佳辅助疗法之间的关系[72]。
AI已用于鉴定炎症性肠病（IBD）（n = 6）[73-78]，溃疡（n = 6）[79-84]，脂肪腹泻（n = 5）[85-89]，淋巴管扩张（n = 1）[90]和钩虫病（n = 1）[91]，两项研究评估了炎症病变的内窥镜检查结果[92,93]。两项研究始终确定患有腹部疾病患者的风险，1个研究使用遗传因素来确定IBD患者的风险。三分之二（21个项目中的14个）使用K折叠验证来避免数据过度拟合。这21个项目中有12例患者的患者的准确率约为90％。
许多研究验证了AI预测IBD患者治疗反应的能力。Waljee等。使用年龄和实验室数据来开发机器学习方法。该方法的成本较低，并且比6-TGN代谢产物（6-TGN）代谢物更准确地预测了患者代谢物的测量。生物标志物，成像数据和内窥镜检查的结果，它们改进了先前的ML模型，以预测接受硫酸疗法的患者的客观缓解。ML模型比6-TGN水平的测量（AUC 0.79 vs 0.49）更好。95] .A ML模型分析了溃疡性结肠炎患者的伏特尔单克隆治疗的第三阶段临床试验数据，与AUC 0.71.AI的粪便水平相比在第52周的皮质类固醇和预测性能的AUC值为0.73.当时，当Vedori Mipido的好处在前六周不明显时，可以使用该算法选择患者继续使用Vodolitoa [96]。此外，还有一种人工智能算法，该算法将微生物组的数据与临床数据结合在一起，以确定IBD患者的临床反应。它预测，抗整合治疗患者的AUC为0.78 [97]。细胞替代治疗后溃疡性结肠炎患者的神经网络鉴定需要对进一步手术对0.96和0.87的敏感性和特异性[98]。
预测IBD发作或进步的人工智能系统也正在开发中。分析Croin疾病早期活检图像的神经网络在识别疾病的进展方面达到了83.3％，患者需要手术的准确性将达到86.0％[99] .Waljee等。建立一种分析电子病历的ML方法，预测6个月内IBD相关的住院和门诊患者的AUC值达到0.87 [100]。人工神经网络预测了IBD患者的临床复发频率，并且具有很高的精度[101]。
已经使用了十二项研究来验证AI检测无限胶囊内窥镜检查中小肠出血的能力（表3）[55，102-112]。12项中的八项研究采用了特殊验证技术，主要是K折叠验证在这些研究中，九项研究的准确性鉴定出小肠出血超过90％。
对于患有急性上胃肠道出血或胃肠道出血的患者，可以通过内窥镜检查很容易确定出血的原因。但是，许多患者重复出血，需要重复内窥镜检查和治疗。因此，开发了ML模型来确定复发性出血风险的患者，并且最有可能接受治疗的患者，并估计死亡率。模型使用临床和/或生物学数据，并确定这些患者的精度约为90％[113-117]。基于22854例胃溃疡患者的回顾性分析，可以根据患者的年龄确定1265例用于验证的患者，可以确定血红蛋白水平，胃溃疡，胃肠道疾病，恶性肿瘤和感染。患有复发性溃疡出血的患者。该模型决定了1年内复发性溃疡出血的患者。AUC为0.78，准确率为84.3％。
22研究测试AI对辅助胰腺疾病或肝病诊断和治疗的能力（表4）。在它们之后，有6个有关胰腺癌的AI系统，5项研究基于内窥镜超声[118-122]和1个基于1项的AI系统关于血清标准[123]。这些研究鉴定了胰腺癌患者约90％的AUC。对肝脏的16项研究中的7项旨在检测与病毒肝炎有关的纤维化[124-130]，并且已经开发了6个项目。人工智能策略检测非酒精性脂肪肝[131-136] .2研究鉴定食管静脉[137,138] .1未知患者患者的慢性肝病[139]。建立算法的生物学特征和3个研究使用弹性成像数据。除了两个项目外，所有研究都使用特定的验证技术，主要是K折叠的交叉验证。这些模型的准确性约为80％。
除了提高诊断的准确性外，还需要确定患者预后和预测疾病的AI方法。Pearce等。建立一个ML模型，该模型可以根据Apache II评分和C反应蛋白水平来预测急性胰腺炎患者的严重程度。其模型的AUC值达到0.82，87％的敏感性和71％的特定度[140]。等。根据年龄，红细胞压力积累，血清葡萄糖和钙水平以及急性胰腺炎患者的尿素氮水平，他们创建了一个ANN来评估患者的连续器官衰竭，精度为96.2％[141]。Jovanovic等。ANN模型已经开发了ANN模型。根据临床，实验室和公民超声检查的结果，确定了胆囊结石的患者，因为需要治疗性内窥镜逆行胰腺管道。它的AUC为0.88 [142]。
Banerjee等。一个人根据临床和实验室数据开发了一种人工神经网络。肝硬化患者的可能性将在一年内死亡，精度为90％。该模型可用于确定肝脏移植的最佳候选者[143]。康涅夫和其他人基于临床，实验室和病理组织数据建立了机器学习模型，以确定慢性C病毒感染患者疾病进展的最高风险与肝炎以及肝相关结果（肝相关死亡，肝损失补偿，肝脏肝补偿，肝肝脏癌，肝脏移植或儿童 - pugh评分增加到7点），该模型的验证浓度达到0.708在1007名患者的验证浓度中。Khosravi等。建立一个神经网络，以预测1168例肝移植患者的存活率。估计该模型在1 - 5年内具有生存的概率，AUC为86.4％，COX RAKIO REAK回报模型为80.7％[146]。研究人员还使用人工神经网络与肝脏捐助者和接受者相匹配，以提供强大的决策 - 制定技术[147]。此外，ML模型可以帮助预测治疗的反应。Takayama等人建立了可预测的ANN慢性C病毒感染，并具有聚乙烯酒精A-2B与Libavirin治疗结合感染的肝炎感染肝炎
人工智能将成为诊断胃肠道和肝病患者，选择治疗方法和预测预后的重要手段。在这些目标下开发了许多方法并显示出不同的性能标准。这些研究的结果。在内窥镜检查下，官方智能似乎特别有价值，这可以增加对恶性和前癌病变，炎症病变，小肠出血和胰腺胆汁疾病的检测，可以使用人工智能技术。确定患者肝纤维化的风险，并允许某些患者避免肝活检。
我们的评论仅涵盖了PubMed中列出的文章，并可能错过了计算机科学和医学图像分析中的一些出版物。尽管如此，在过去的20年中，人工智能已成为胃肠道疾病和肝脏研究的重要组成部分。尽管本文的摘要是针对辅助诊断和预后的，还探索了其他研究方向的人工智能，例如基于机器学习的内窥镜质量控制评估（盲目的 - 智能徽标，遵循结肠镜检查的结肠镜检查），AIAIAPPlication in aiaiapplication in aiaiapplication in aiapplication in胃肠道领域也正在扩大。
值得注意的是，当前在AI技术中缺乏高质量的数据集。大多数ML算法发展的证据来自临床前研究，目前尚未用于临床实践中。此外，DL算法被认为是一种黑匣子型号。黑匣子模型很难理解决策过程，并防止医生发现潜在的混合因素。考虑道德挑战也很重要。人工智能不知道患者的偏好或法律责任。如果发生内窥镜误诊，谁具有责任 - 副镜面医生，程序员或制造商？此外，当确定与病毒性肝炎有关的肝纤维化风险时，例如固有的偏见，例如种族歧视很容易被包括在人工智能算法中，尤其是在肝脏研究领域。开发人工智能模型时，重要的是考虑这些因素并在一系列人中验证该模型。医学素始终具有内部不确定性，如此完美预测是不可能的。在胃肠道和肝脏研究领域，仍有一些人工智能的研究差距要研究（表5）。
就胃肠道疾病和肝病而言，人工智能的发展无法解决，未来的影响是巨大的。使用人工智能可以增加在发展区域中获得护理的机会，尤其是在评估病毒性肝炎患者的风险中玛丽特手机可以使用人工智能技术来远程监测患者的健康状况。已经建立了IBD患者的粪便保护的方法[149]。夫人智能还可以通过集合成分，遗传和临床数据来鉴定来自数据浓度的大型患者的新治疗靶标。人工智能仍然可以帮助医生工作。尽管机器可以做出准确的预测，但最终，医务人员必须根据患者的偏好，环境和道德做出决定。
本发明是一条电子鸟推文，包括电源和鸟类呼叫频率，控制电路，放大器电路和发电机。安装模型鸟以制造电子鸟，可以在白天打电话并在晚上停止；可以制作鹅口疮，玉鸟，黄色的鸟，山地麻雀，公园和其他鸟类，声音是现实的。将其放在花园和庭院中可以吸引飞鸟，并增加花园和庭院的愤怒。
人工智能是智能理论，方法，技术和应用程序的新技术科学，开发了模拟，扩展和扩展，并且是认知，决策和反馈的过程。
人工智能技术的补贴领域：深入学习，计算机视觉，智能机器人，虚拟个人助理，自然语言处理 - 声音识别，自然语言处理，推荐引擎等。
人工智能是智能理论，方法，技术和应用程序的新技术科学，开发了模拟，扩展和扩展，并且是认知，决策和反馈的过程。
人工智能技术的补贴领域：深入学习，计算机视觉，智能机器人，虚拟个人助理，自然语言处理 - 声音识别，自然语言处理，推荐引擎等。
人工智能是智能理论，方法，技术和应用程序的新技术科学，开发了模拟，扩展和扩展，并且是认知，决策和反馈的过程。
人工智能技术的补贴领域：深入学习，计算机视觉，智能机器人，虚拟个人助理，自然语言处理 - 声音识别，自然语言处理，推荐引擎等。
人工智能是智能理论，方法，技术和应用程序的新技术科学，开发了模拟，扩展和扩展，并且是认知，决策和反馈的过程。
人工智能技术的补贴领域：深入学习，计算机视觉，智能机器人，虚拟个人助理，自然语言处理 - 声音识别，自然语言处理，推荐引擎等。
人工智能是智能理论，方法，技术和应用程序的新技术科学，开发了模拟，扩展和扩展，并且是认知，决策和反馈的过程。
人工智能技术的补贴领域：深入学习，计算机视觉，智能机器人，虚拟个人助理，自然语言处理 - 声音识别，自然语言处理，推荐引擎等。
人工智能是智能理论，方法，技术和应用程序的新技术科学，开发了模拟，扩展和扩展，并且是认知，决策和反馈的过程。
人工智能技术的补贴领域：深入学习，计算机视觉，智能机器人，虚拟个人助理，自然语言处理 - 声音识别，自然语言处理，推荐引擎等。
人工智能是智能理论，方法，技术和应用程序的新技术科学，开发了模拟，扩展和扩展，并且是认知，决策和反馈的过程。
人工智能技术的补贴领域：深入学习，计算机视觉，智能机器人，虚拟个人助理，自然语言处理 - 声音识别，自然语言处理，推荐引擎等。
结论：以上是所有人为人工智能电子鸟编写的主要CTO注释的所有内容。感谢您花时间阅读此网站。我希望这对您有帮助。不要忘记在此网站上找到它。