基于不平衡医疗数据的机器学习性能分析来预测中风
本文提出了一个智能中风预测框架,该框架在文献中对使用最广泛的五种机器学习算法进行了评估,并比较分析了结果,发现随机森林算法最适合中风预测。
Apr, 2023
通过使用机器学习技术,研究临床、生化和神经影像因素,生成一个预测模型,用于预测中风患者在入院后 3 个月的死亡率和发病率,并得出结论:机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。
Feb, 2024
本研究使用机器学习技术构造了三个融合模型,在心脏病数据集上进行训练和预测,其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法,以预测心血管疾病的出现和严重程度,实验结果表明,这三个融合模型具有良好的分类性能,多类分类的最高准确率为 75%,二类分类的最高准确率为 95%。
Mar, 2022
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
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
机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法,并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示,即使数据集规模较小,结合神经影像和表格数据可实现高精度的中风后分类,可以进一步通过使用医院扫描仪中的图像来提高分类准确性。
Oct, 2023
本文研究了机器学习算法在预测痴呆症中的稳定性,并发现支持向量机和朴素贝叶斯算法是最稳定的算法,在使用信息增益方法进行特征选择时比主成分分析更有效。
Sep, 2022
通过利用预训练的卷积神经网络,结合深度学习和迁移学习的方法,本文提出了一种新的方法用于通过 MRI 数据进行脑肿瘤的分类,实现了 96% 的准确率。
Aug, 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
通过使用机器学习模型自动检测正确的医疗领域并将问题路由给正确的医生,提高了特定检测的准确性,并探索了依赖特定检测的隐藏业务领域,如为不同医疗领域定制和个性化咨询流程。研究表明,结合多种技术如 SMOTE 和重新加权与关键字识别,可以在不平衡的多类数据集中更准确地检测罕见类别。
Feb, 2024