Many use cases of UAVs require beyond visual LOS communications. Mobile networks offer wide-area, high-speed, and secure wireless connectivity, which can enhance control and safety of UAV operations and enable beyond visual LOS use cases. In this article, we share some of our experience in LTE connectivity for low-altitude small UAVs. We first identify the typical airborne connectivity requirements and characteristics, highlight the different propagation conditions for UAVs and mobiles on the ground with measurement and ray tracing results, and present simulation results to shed light on the feasibility of providing LTE connectivity for UAVs. We also present several ideas on potential enhancements for improving LTE connectivity performance and identify fruitful avenues for future research.

Morphology analysis and the count of distinct cells in human peripheral blood are dominant methods to diagnose common blood diseases. In recent years, with the purpose of improving the efficiency of these methods, the convolutional neural network (CNN), a widely used model of artificial intelligence technology, has been utilized in computer-aided blood tests to recognize and classify blood cell images. However, due to the nature of a smaller number of leukocytes in one blood sample, the CNN model is generally trained by insufficient leukocyte images and thus shows lower accuracy on leukocytes. To address the above issue, we propose a generative adversarial network (GAN) assisted framework to increase leukocyte images and further enable the CNN model to improve the performance of human peripheral leukocyte image recognition and classification. We validate the effectiveness of the proposed framework through a comparative performance analysis of four CNN models trained by four image datasets deriving from different sample equalization methods. The numerical results show that the GAN-assisted sample equalization method is superior to making the CNN model converge fast and attain high recognition and classification accuracy.

-Acute myeloid leukemia (AML) is a high-incidence adult acute leukemia. Most patients will relapse after remission and turn into refractory and relapsed acute leukemia. This study aims at employing machine learning algorithms to develop a relapse prediction model for AML patients. Based on the AML patient data provided by the TARGET project from Meshinchi Laboratory of the National Institutes of Health (NIH) Cancer Research Center, we first normalize all samples to meet the requirements of the machine learning model. To eliminate the accuracy loss of the prediction model caused by category imbalance, we further use the synthetic minority over-sampling technique (SMOTE) to oversample the normalized data. Finally, we utilize the training datasets to develop three typical prediction models, namely Gaussian kernel support vector machine (G-SVM), linear kernel support vector machine (L-SVM), and decision tree (DT). The experiment results show that the data processed by SMOTE-based over-sampling can significantly improve the performances of the three prediction models, and the holistic performance of the G-SVM model is superior to another, which can be applied to the diagnosis and treatment decisions to assist clinicians in taking early intervention measures for AML patients.

Information extraction is pivotal in natural language processing, where the goal is to convert unstructured text into structured information. A significant challenge in this domain is the diversity and specific needs of various processing tasks. Traditional approaches typically utilize separate frameworks for different information extraction tasks, such as named entity recognition and relationship extraction, which hampers their uniformity and scalability. In this study, this study introduce a Universal Information Extraction (UIE) framework combined with a cue learning strategy, significantly improving the efficiency and accuracy of extracting mine hoist fault data. Initially, domain-specific data is manually labeled to fine-tune the model, and the accuracy is further enhanced by constructing negative examples during this fine-tuning process. The model then focuses on faults using the Structured Extraction Language (SEL) and a schema-based prompt syntax, the Structural Schema Instructor (SSI), which targets and extracts key information from the fault data to meet specific domain requirements. Experimental results show that UIE substantially improves the processing efficiency and the F1 accuracy of the extracted mine hoist fault data, with the fine-tuned F1 score increasing from 23.59% to 92.51%.