KDDJul, 2018

基于符合性预测器的集成学习：针对从轻度认知障碍转换为阿尔茨海默病的可信预测

PDF
TL;DR本研究中，我们将集成学习与一致性预测器相结合的监督学习方法应用于预测从轻度认知障碍到阿尔茨海默病的转化。结果表明，我们的方法在对比使用标准分类器的相似集成框架中具有优势。
machine learningensemble learningconformal predictorsmedical domainalzheimer's disease
发现论文，激发创造
  • 用于医学图像应用的公平一致性预测器

    本文探讨了如何利用符合性预测相结合的深度学习方法，提高医学影像技术在医学决策中的透明性和可靠性，并在皮肤病例分类方面进行了实证研究，认为在患者肤色差异方面可适当改进符合性预测模型。同时，对比了其与认知不确定性的差异。

    Sep, 2021

  • 基于置信区间预测的无分布式偏差联邦学习

    该研究提出将自适应拟合框架结合到联邦学习中，确保预测集的分布自由且提供覆盖担保，可在不需要对模型进行任何其他修改的情况下获得不确定性估计，实验证明本方法在医学影像分类任务中取得了更佳的覆盖度。

    Oct, 2021

  • TriFormer：一种用于轻度认知障碍转化预测的多模态 Transformer 框架

    提出了一种基于 Triformer 的框架，该框架利用三个专门的 transformer 分别从多个模态数据中提取信息，能够更准确地预测轻度认知障碍是否发展成阿尔茨海默病，其已在多个数据集上得到验证。

    Jul, 2023

  • 阿尔茨海默病恶化预测的机器学习方法

    本文探讨了使用机器学习预测阿尔茨海默病恶化的能力，并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果，即针对健康组和轻微认知障碍组的恶化预测，分别使用了 CART 和 Elastic Net 获得了较好的结果。

    Jun, 2023

  • 基于 PET 扫描图像分析的阿尔茨海默病早期检测的集成方法引介

    通过对 ADNI 数据集所得的 PET 扫描图像进行深入研究，本文使用了 VGG16、AlexNet 和一个自定义的卷积神经网络（CNN）模型来将阿尔茨海默病分类为控制正常组（CN）、进展性轻度认知障碍组（pMCI）、稳定性轻度认知障碍组（sMCI）和阿尔茨海默病组（AD），最后采用融合技术改进了模型的整体结果，结果显示使用深度学习模型区分 MCI 患者的平均准确率为 93.13%，AUC 为 94.4%。

    Mar, 2024

  • 预测轻度认知障碍发展为阿尔茨海默病

    本研究利用自监督对比学习方法和基于游程的神经网络模型，通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变，并可视化模型解释以识别白质通路异常变化。

    Mar, 2022

  • 自信的多选学习

    本研究提出一种针对深度神经网络的新型集成学习方法，名为自信多选学习（CMCL），通过解决其过度自信的问题来提高模型的性能，CMCL 比独立集成方法在图像分类和前景 - 背景分割等任务中提高了显著的准确率。

    Jun, 2017

  • 概率鲁棒可伸缩机器学习分类的整体预测

    通过引入得分函数的新定义和定义一组特殊的输入变量（conformal safety set），我们分析了可扩展分类器和一致预测之间的相似性，该安全集能够识别满足误差覆盖保证的输入空间模式，即在该集合中，观察到错误（可能不安全）标签的概率受到预定义的 ε 误差水平的限制。通过在网络安全中应用于识别 DNS 隧道攻击，我们展示了该框架的实际影响。我们的工作有助于发展概率稳健可靠的机器学习模型。

    Mar, 2024

  • 多模态分层多任务深度学习框架，用于联合预测和解释阿尔茨海默病进展

    该研究提出了一种多模态分层多任务学习方法，可以在访问轨迹的每个时间点监控疾病进展的风险，并且相较于最先进的基线模型，在预测阿尔茨海默病进展风险和综合评分上表现更好。

    Apr, 2024

  • 机器学习方法综合研究：提高分类器预测精度、降低诊断阿尔茨海默病所需医学检测数量

    本研究的主要目标是使用机器学习技术中的随机森林分类器等方法精确识别阿尔茨海默病，使用其中 30 个指标中的 4 个指标，成功地在近 94% 的病例中识别出该病。

    Dec, 2022