ГОСТ Р 59921.7-2022; Страница 33

или поделиться

Ещё ГОСТы из 41757, используйте поиск в верху страницы

ГОСТ Р 70398-2022 Мячи для вида спорта «Волейбол». Технические условия Volleyball balls. Specifications (Настоящий стандарт распространяется на волейбольные мячи (далее – мячи), и устанавливает технические требования к мячам, предназначенным для игры в волейбол, общефизической и специальной подготовки. Настоящий стандарт содержит характеристики и методы испытаний мячей) ГОСТ 34865-2022 Стекло для теплиц. Технические условия Greenhouse glass. Specifications (Настоящий стандарт распространяется на стекло для теплиц (далее – стекло), предназначенное для остекления теплиц и парников всех типов и назначений и других целей в соответствии со своими техническими характеристиками) ГОСТ Р 70384-2022 Автоматизация учета и управления энергоресурсами. Приборы учета тепловой энергии и измерительные системы на их основе. Управление жизненным циклом и процессами учета Automation of accounting and management of energy resources. Heat energy metering devices and measuring systems based on them. Lifecycle management and accounting processes (Настоящий стандарт устанавливает необходимые стадии жизненного цикла приборов учета тепловой энергии и процессы, обеспечивающие коммерческий учет тепловой энергии и теплоносителя при их потреблении в системах теплоснабжения. Требования настоящего стандарта распространяются на управление жизненным циклом следующих видов продукции: - узлы учета тепловой энергии; - приборы учета тепловой энергии; - теплосчетчики; - блоки контроля параметров теплоносителя; - устройства сбора и передачи данных. Настоящий стандарт может использоваться потребителями тепловой энергии и/или теплоносителя, организациями, осуществляющими управление общим имуществом в многоквартирном доме, едиными теплоснабжающими организациями, теплоснабжающими организациями, теплосетевыми организациями, разработчиками и производителями приборов учета тепловой энергии и измерительных систем на их основе, проектными организациями, энергосервисными компаниями. В некоторых организациях может не возникать потребность использовать все процессы, приведенные в настоящем стандарте. В таком случае применение настоящего стандарта сводится к выбору процессов, подходящих для организации или проекта)

Страница 33

Страница 1

Untitled document

ГОСТ Р 59921.7—2022

Библиография

[1]ПНСТ 553—2021 Информационные технологии. Искусственный интеллект. Термины и определения

[2] ISO/IECTR 29119-11:2020(Е) Системная ипрограммная инженерия. Тестирование программного обеспечения.

Часть 11. Руководящие указания по тестированию систем искусственного интеллекта (Software and systems

engineering — Software testing — Part 11: Guidelines on the testing of Al-based systems)

[3] ИСО 9241-171:2008 Эргономика взаимодействия человека и системы. Часть 171. Руководство подоступности

программного обеспечения (Ergonomics of human-system interaction — Part 171: Guidance on software accessi

bility)

[4]Liu X., Cruz Rivera S., Moher D. et al. Reporting guidelines for clinical trial reports for interventions involving artificial

intelligence: the CONSORT-AI extension. Nat Med 26, 1364—1374 (2020)

[5]Sounderajah V., Ashrafian H., Golub R.M. On behalf of the STARD-AI Steering Committee, et al. Developing a

reporting guideline for artificial intelligence-centred diagnostic test accuracy studies: the STARD-AI protocol. BMJ

Open 2021;11:e047709

[6]Collins G.S., Dhiman P,Andaur Navarro C.L. et al. Protocol for development of a reporting guideline (TRIPOD-AI) and

risk of bias tool (PROBAST-AI) for diagnostic and prognostic prediction model studies based on artificial intelligence.

BMJ Open 2021;11:e048008

[7]IMDRF/SaMD WG/N41 — Software as a Medical Device (SaMD): Clinical Evaluation, 2017

[8] Fenster A., Chiu B. Evaluation of segmentation algorithms for medical imaging. In: Conf Proc IEEE Eng Med Biol Soc.

Shanghai; 2005. p. 7186—189

[9]Taha A.A., HanburyA. Metrics for evaluating 3D medical image

segmentation: analysis, selection, and tool. BMC Medical Imaging (2015) 15:29

[10] Hirano H., Minagi A. and Takemoto K. Universal adversarial attacks on deep neural networks for medical image clas

sification. BMC Med Imaging 21, 9 (2021)

[11] Apostolidis K.D., Papakostas G.A. A Survey on Adversarial Deep Learning Robustness in Medical Image Analysis.

Electronics 2021, 10, 2132

[12] С.П. Морозов и др. Клинические испытания программного обеспечения на основе интеллектуальных

технологий (лучевая диагностика)/Серия «Лучшие практики лучевой и инструментальной диагностики». — М.,

2019. — Вып. 57, — 51 с.

[13] Defending Deep Learning-Based Biomedical Image Segmentation from Adversarial Attacks: A Low-Cost Frequency

Refinement Approach. Available online:

https://link.springer.com/chapter/10.1007/978-3-030-59719-1_34

(accessed

on 4 June 2021)

[14] Методические рекомендации по порядку проведения экспертизы качества, эффективности и безопасности

медицинских изделий (в части программного обеспечения) для государственной регистрации в рамках

национальной системы» (ФГБУ «ВНИИИМТ» Росздравнадзора, утверждены 12 февраля 2021 г.). 2021, 33 с.

[15] Методические рекомендации по оценке качества статистического анализа в клинических исследованиях

(ФГБУ «ЦЭККМП» Минздрава России, утверждены 29 декабря 2017 г.). 2017, 34 с.