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

本文探讨了卒中的潜在风险因素，比较了四种不同的方法以提高不平衡的卒中数据集的分类性能，并发现对于大规模严重失衡数据集，SMOTE 和 PCA-Kmeans 与 DNN-Focal Loss 表现最佳。

Nov, 2022

通过使用全面的数据集，我们提出了一种组合模型，结合了 XGBoost 和 xDeepFM 算法的强大功能，以改善现有的中风预测模型的准确性和稳健性，并通过采用 AUC 指标的严格实验验证了我们的组合模型的有效性，与该领域的其他模型的比较增加了对各种方法的优点和缺点的宝贵洞察力，进一步促进了机器学习和深度学习技术在中风预测领域的进展。

Oct, 2023

使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型，在前 3 小时内预测死亡，并在短短的 15 分钟内预测卒中复发。

May, 2023

本研究提出了一个隐私保护方案，使用联合预测模型异步支持任意数量的客户端连接，采取联邦平均法训练模型，在不将患者数据带出医院的整个过程中，训练所有某一城市医院的医疗保健数据，以预测中风的风险，并开发一个移动应用程序，以演示联邦训练过程中联合预测模型和单一预测模型的性能比较。

Jun, 2020

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

该研究使用基于机器学习算法的集成分类器框架，结合多种性能度量方法，对一个包含多国心血管疾病个体的大型数据集进行研究，获得了 92.34% 的准确率，较现有研究表现更佳。

Jun, 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

本研究使用四种深度神经网络架构与简单集成方法，应用人工智能技术对急性缺血性卒中心源性进行分类。

May, 2023

该研究回顾了机器学习和统计方法在预测中风病人住院时间方面的研究，分析了目前研究领域中存在的一些矛盾之处，需要进一步研究了解中风患者住院时间的预测因素。

Dec, 2021