Feb, 2023

iPAL：面向智能医疗的机器学习框架，用于自动诊断注意缺陷 / 多动障碍（ADHD）

PDF
TL;DR该研究使用机器学习和神经科学方法，基于 ADHD200 数据集进行多分类和二分类诊断生物标记，使用基于 MRI 数据的功能连接和表型数据的两个分类器通过集成技术实现了二分类的准确诊断，准确率达到 92.5%。
adhdmachine learningneurosciencephenotypic datamri
发现论文，激发创造
  • 利用大脑网络结构自动识别 ADHD 患者

    本研究利用静息状态功能性磁共振成像序列研究了 ADHD 受试者的自动分类，计算脑部体素活动的配对相关性，使用网络特征训练 PCA-LDA 分类器，应用图形模式特征和脑部区域做脑图像，在分类性能，尤其是使用网络长度 3 的循环图提高诊断和了解该疾病的效力。

    Jun, 2023

  • 基于骨架的动作分析用于 ADHD 诊断

    本文提出了一种基于骨骼动作识别的注意力缺陷多动障碍诊断系统，利用真实的多模式 ADHD 数据集和先进的检测算法。与传统方法相比，该方法在成本效益和性能方面均表现出色，适用于广泛的初步 ADHD 诊断和大规模筛查。

    Apr, 2023

  • 机器学习方法在自闭症谱系障碍的早期诊断中的应用

    利用不同机器学习算法研究自闭症的诊断方法，发现了最重要的特征并自动化了诊断过程，同时采用流行的聚类算法对数据集进行了进一步分析，得出了最佳聚类模型。

    Sep, 2023

  • 通过 INDT-ASD 印度数据库利用机器学习进行早期自闭症检测

    通过使用机器学习开发了一种简便、快速和低成本的方法来识别自闭症，其中支持向量机作为最优模型具有更高的准确率、更高的召回率以及相对于随机森林提高了 2.22％至 6.67％的准确率。

    Apr, 2024

  • 基于机器学习的视频游戏在 5 至 12 岁儿童注意力缺陷多动障碍客观筛查中的有效性

    通过游戏表现和智能手机运动传感器评估核心症状，FishFinder 测试了 26 名患有 ADHD 的儿童和 26 名健康儿童，最终结论是 FishFinder 具有较强的识别儿童 ADHD 的能力，因此可以用作 ADHD 的客观筛查的一种经济实惠、易获得和有趣的方法。

    Dec, 2023

  • 多通道脑电拓扑特征搜索方法：在注意力缺陷多动障碍分类中的应用

    近年来，利用脑电图（EEG）进行注意力缺陷多动障碍（ADHD）预诊断吸引了研究人员的关注。本文提出一种改进的拓扑数据分析方法，用于多通道 EEG 信号在 ADHD 中的应用。结果表明，该方法具有更高的精确度和鲁棒性。

    Apr, 2024

  • 提高 ASD 检测准确性：结合自然语言处理的机器学习和深度学习模型的综合方法

    利用人工智能（AI）诊断自闭症谱系障碍（ASD）的研究表明了其对 ASD 诊断尤其是儿童的早期发现的重要性，使用深度学习和机器学习从社交媒体的文本输入中检测 ASD，达到了 88% 的高准确率。

    Mar, 2024

  • 基于主成分分析和机器学习的阿尔茨海默病辅助诊断系统

    通过使用人工神经网络和支持向量机作为分类器，以及主成分分析作为特征提取技术，这篇论文研究了基于机器学习的方法在阿尔茨海默病检测和分类中的性能，并表明这种组合方案在准确度和优势方面取得了显著成果。

    Apr, 2024

  • 基于机器学习的阿尔茨海默病智能诊断

    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

  • 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