深度学习在脑动脉瘤病出血预测中的应用
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
心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析:Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明,XGBoost 作为表现最佳的模型,显示了提高冠状动脉梗塞预测精确性的潜力。
Nov, 2023
该研究基于阿尔茨海默病神经影像计划(ADNI)数据集,旨在探讨阿尔茨海默病的早期检测和疾病进展。通过创新的数据预处理策略,包括使用随机森林算法填补缺失数据,处理异常值和无效数据,从而充分挖掘和利用有限的数据资源。通过 Spearman 相关系数分析,我们确定了一些与 AD 诊断强相关的特征。我们构建并测试了三个机器学习模型:随机森林、XGBoost 和支持向量机(SVM)。其中,XGBoost 模型在诊断性能方面表现最佳,准确率达到 91%。总体而言,该研究成功克服了缺失数据的挑战,并为阿尔茨海默病的早期检测提供了有价值的见解,展示了其独特的研究价值和实际意义。
Feb, 2024
文章使用 RADnet 模型进行自动化脑出血检测,与三位资深放射科医师所作的独立分析相比,RADnet 在 CT 水平上展现了相当的出血预测准确性,并且在召回方面高于两位医师,实现了 3D 上下文的加入,检测性能非常优越。
Oct, 2017
发展和应用以患者为导向的系统中,机器学习作为一种有前途的技术能够预测心血管疾病,本研究使用自动化机器学习和三个场景探索了检测心血管疾病的有效性,结果显示自动化机器学习模型的结构不仅取决于基本模型的效率和准确性,还取决于数据的预处理技术,尤其是数据标准化。
Aug, 2023
采用 RF、SVM 和 CNN 算法,并利用分水岭分割从 MRI 图像中提取特征,我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示,具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率,超过其他分类方法。该方法在 ADNI 数据集上评估,并观察到分水岭分割的引入有助于模型的改进性能。
Nov, 2023
通过融合眼底图像、年龄和性别,采用深度学习技术开发了一种多模态深度学习系统 HyMNet,用于提高高血压检测的准确性。该系统结合了眼底图像和心血管代谢风险因素,通过 DenseNet-201 架构和全连接神经网络进行联合训练,并取得了相比单模态模型更高的高血压检测 AUC 0.791。
Oct, 2023