本研究旨在利用监督降维方法中的判别分析来检测多囊卵巢综合症（PCOS）， 并使用线性和二次判别分析形式进行二元分类，同时给出了可视化数据分析，分类准确率可达 97.37%。

Jan, 2022

通过使用四种提升算法：AdaBoost、XGBoost、CatBoost 和 LightGBM，研究了乳腺癌的预测和诊断，以及针对召回率、ROC-AUC 和混淆矩阵的最有效度量标准。同时使用 Optuna 进行超参数优化，利用 SHAP 方法提高模型的可解释性，旨在帮助鉴定和预测乳腺癌，有效减少误诊率且达到更多的 AUC 值。

Mar, 2024

卵巢癌是女性中最常见的癌症之一。本研究提出不同的生物标志物来针对绝经前和绝经后人群，为卵巢癌的有效诊断提供新视角。引入可解释性人工智能，提高诊断系统的可信度和透明度，建立了一种可靠的混合决策支持系统，该系统的诊断准确性显著优于现有方法。

Dec, 2023

本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测，使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标，并通过一个堆叠式集成方法来评估临床决策支持系统的影响。

Apr, 2023

本研究提出了一个名为 ETSE 的强大的集成模型，通过人工智能的使用和机器学习技术的应用，实现了对胎儿健康的准确、高效、快速预测，具有 100％的精度、100％的召回率、100％的 F1 分数和 99.66％的精度，将有助于及时干预并改善母婴的预后，对胎儿健康进行有效预测。

May, 2023

本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集，对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析，发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言，LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路，从而全球扩展了预测分析在医疗保健中的应用。

Nov, 2023

利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

Apr, 2023

乳腺癌是近年来患病率迅速增加的一种导致全球死亡率居高不下的常见疾病，本研究通过使用机器学习方法，特别是 XGBoost 算法，对乳腺癌进行预测和分类，发现 XGBoost 算法在 500 名患者的数据集上取得了 97% 的精确率。

Apr, 2024

本文提出了一种基于机器学习算法优化的框架，以急诊部门的患者入院情况为例进行实证研究，利用大规模的患者数据和三种新的机器学习算法对传统算法进行对比，结果表明新算法在 AUC 等五个指标上表现更好，其中 T-ADAB 算法效果最佳，最优模型的 AUC、灵敏度、特异度、F1 和准确率分别达到 95.4%、99.3%、91.4%、95.2% 和 97.2%。

Feb, 2022

通过非侵入式方法，液体活检能够检测和监测特定生物标志物，提高医疗干预的精确性和效能，利用超快模型进行癌症分类，并结合超快模型、XGBoost 和 LightGBM 提出了一种新的集成模型用于多类别分类任务，仅使用 500 个主成分特征即可实现较高的准确性。

Jun, 2024