本综述分析了 40 项使用人工智能模型（主要是机器学习模型）预测 2 型糖尿病（T2DM）风险的研究，结果显示单模态和多模态模型表现良好，但是外部验证和新型生物标志的应用不足。

May, 2023

利用机器学习模型为阿根廷地区特定生成 T2D 和 PD 风险人群预测模型的发展和评估，证明了 RF、DT 和 ANN 方法在分类能力方面表现出色，为阿根廷地区的更复杂模型开发迈出了第一步。

Mar, 2024

该研究主要使用机器学习技术，从糖尿病患者的诊断医疗数据中提取知识，探索与疾病相关的各种风险因素，并使用四种流行的机器学习算法来预测糖尿病患者，结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。

Jan, 2019

该论文提出了一种基于智能健康护理系统的、用于预测 2 型糖尿病的机器学习模型 HealthEdge，并使用真实数据集进行了两种机器学习算法（随机森林和逻辑回归）之间的比较分析，结果表明 RF 预测糖尿病的准确率比 LR 平均高 6％。

Jan, 2023

该研究开发了一个监督学习模型，用于预测 T2DM 患者发展尿白蛋白风险，并发现多层感知器（MLP）相较于其他算法表现出更高的准确度和 F1 分数，适用于 T2DM 患者尿白蛋白的筛查目的。

Sep, 2023

通过使用深度学习技术进行数据预处理和分类，本研究提出的全面深度学习流程方法在糖尿病检测领域中表现出超越最先进方法的潜力。

Feb, 2024

提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型，通过比较实验结果表明，与逻辑回归和支持向量机等现有机器学习方法相比，该模型使用随机森林算法平均预测精度提高了 4.57％，但执行时间较长。

Nov, 2022

通过应用贝叶斯网络结构学习分析上海 1 型和 2 型糖尿病数据集，揭示了与糖尿病相关的关键生物标志物之间的复杂关系。构建的贝叶斯网络在预测准确性方面表现出显著的效果，特别是对于 2 型糖尿病，其均方根误差为 18.23 毫克 / 分升，在单域实验证实和克拉克误差网格分析中得到了验证。这项研究不仅通过深入理解生物标志物的相互作用，阐明了糖尿病的复杂动态，而且强调了将数据驱动和知识驱动方法结合在个性化糖尿病管理领域的巨大潜力。这种方法为更加定制和有效的治疗策略铺平了道路，标志着该领域的显著进展。

Jun, 2024

本研究提出一种基于深度学习的医学诊断方法，使用病理描述符从神经元中提取特征，通过生成对抗网络合成具有糖尿病性视网膜病变特征的病理性视网膜图像，并经过专业医生验证证明其优于现有方法。

Dec, 2018

利用传感器技术和机器学习，我们提出了一种基于批归一化的反向传播神经网络（BPNN）的非侵入性糖尿病诊断方法，通过数据重采样和标准化实现类别平衡，实验结果显示相对传统方法在整体准确度、敏感度和特异度上具有显著提高，特别是在 Pima 糖尿病数据集中达到了 89.81% 的准确度，在 CDC BRFSS2015 数据集中达到了 75.49% 的准确度，在 Mesra 糖尿病数据集中达到了 95.28% 的准确度，凸显了深度学习模型在稳健糖尿病诊断方面的潜力。

Mar, 2024