机器学习在临床微生物组学领域的应用具有良好的前景，需要高质量、可重复、可解释的工作流程以满足监管机构对临床工具设定的较高要求。本研究通过对 2021-2022 年发表的 100 篇同行评议的期刊文章进行深入分析，以数据驱动方法总结了目前监督式机器学习在微生物组学数据中的应用现状，并提供了关于实验设计的重要考虑因素，如如何减少小数据集大小的影响同时避免数据泄露。此外，还提供了关于如何避免常见的实验设计陷阱以提高模型性能、可信度和可重复性的指导。本文配有一个互动在线教程，旨在向微生物组学社区介绍机器学习实验设计的基本原则。正式规范监督式机器学习在微生物组学领域的最佳实践是提高临床研究的成功率和效率，造福患者和其他利益相关方的重要步骤。

Feb, 2024

机器学习分类问题在生物信息学中很常见，但模型训练、优化和推理所需的技术知识可能阻碍研究人员利用这项技术。本文介绍了一种自动化工具，用于简化机器学习分类问题的训练模型和生成结果的过程，并提供信息丰富的可视化和对数据的洞察。该工具支持二元和多类分类问题，并提供多种模型和方法。界面内可以生成合成数据，以填充缺失值、平衡类别标签或生成全新的数据集。它还支持特征评估，并生成解释性分数以指示哪些特征最影响输出结果。我们提出了 CLASSify，这是一个开源工具，旨在简化解决分类问题的用户体验，无需机器学习知识。

Oct, 2023

本文介绍了深度学习在生物信息学中的应用， 并按生物信息学领域（组学，生物医学成像，生物医学信号处理）和深度学习架构（深度神经网络，卷积神经网络，循环神经网络，新兴架构）将其进行分类，同时讨论了深度学习在生物信息学中存在的理论和实际问题，并提出了未来的研究方向。

Mar, 2016

通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

Oct, 2023

利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题；本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍，通过以弗雷明汉冠心病数据为案例，说明了如何选择概率阈值将回归模型转换为分类器，并比较了八种常用机器学习分类算法在不同训练 / 测试场景下的预测性能，以测试它们的普适性和可能引发的偏见问题；得到的研究结果表明，XGBoost 和支持向量机在不平衡数据集上训练存在缺陷，而双重判别式为 I 型是最具普适性的，它在各种训练 / 测试场景下都始终优于其他分类算法；最后，提出了一种用于分类算法的最佳变量层次结构提取方法，并以全量数据、男性和女性的弗雷明汉心脏病数据进行了说明。

Feb, 2024

本篇论文研究了常见机器学习模型的超参数优化，介绍了一些最先进的优化技术，并讨论了如何将它们应用于机器学习算法。同时，也提供了许多用于超参数优化问题的库和框架，并在基准数据集上进行了实验，以比较不同优化方法的性能，提供超参数优化的实际例子。该综述论文将帮助工业用户、数据分析师和研究人员通过有效地识别适当的超参数配置来更好地开发机器学习模型。

Jul, 2020

本文介绍了一个正在进行的案例研究，运用机器学习技术对抗生素抗性进行分析，通过样本大小，分类准确性等因素来评价机器学习技术的优劣，并指出机器学习在确定与抗生素抗性现象相关的基因区域方面取得了成功。此类研究有助于引起 Data-for-Good 社区的注意。

Jul, 2016

评估了 4 种生物标志物选择方法和 4 种不同的机器学习分类器，发现当允许 3 个和 10 个生物标志物时，现代方法在性能上优于以前报告的逻辑回归。在特异性固定为 0.9 的情况下，机器学习方法的灵敏度为 0.240（3 个生物标志物）和 0.520（10 个生物标志物），而标准逻辑回归的灵敏度为 0.000（3 个生物标志物）和 0.040（10 个生物标志物）。还注意到，在允许较少的生物标志物时，基于因果关系的生物标志物选择方法表现最好，而在允许更多生物标志物时，单变量特征选择方法表现最好。

May, 2024

本文在威斯康星州诊断性乳腺癌数据集上比较了六个机器学习算法的分类测试准确性，并测量了它们的灵敏度和特异性。实验结果表明，所有的算法都表现良好，并超过了 90% 的测试准确率，其中 MLP 算法表现最佳，测试准确率高达 99.04%。

Nov, 2017

综述了采用基于生物医学知识的机器学习方法在癌症诊断和预后方面的研究现状和发展方向。

Jan, 2024