使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值,提高对该疾病早期预测和检测的准确性,为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。
Jun, 2024
通过结合 CT 成像和临床数据,该研究旨在设计一个全面的深度学习模型,能够预测肾细胞癌患者的存活概率,解决之前研究中存在的局限性,以便识别需要紧急治疗的患者。
Jul, 2023
应用机器学习方法,使用 KNN Imputation 处理缺失值,采用 SMOTE 处理数据不平衡,集成多种算法,其中随机森林模型可以在不泄漏数据的情况下以 100% 的准确率检测慢性肾脏疾病。
Mar, 2022
本论文提出了一种基于深度学习的多任务学习的方法,可以直接建立患者特定的肾移植的存活函数,从而提高患者的治疗和护理共同决策的准确性和质量。
May, 2017
我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式(A-LBP)特征提取方法,结合五个分类器和软投票方法,实现对肾脏异常的自动检测,并取得 99% 以上的准确率。
Apr, 2024
该研究提出了一种深度生成式机器学习架构(称为 DeepCancer),通过对未标记的微阵列数据进行特征学习,帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试,并证明了其精确度较高,可显著控制假阳性和假阴性评分。
Dec, 2016
开发了一个可解释的机器学习系统,用于预测有心血管风险的患者中的慢性肾脏病,在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。
本文提出了一种利用深度学习方法进行疾病预测的算法,通过 MRI 扫描病人的大脑,基于 ADNI 数据集中的 2265 个历史扫描,该算法可用于预测病人的疾病状态,并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。
Feb, 2015
本文研究了深度学习技术在自然语言处理中是否可以有效用于患者表型特征提取和预测,并与传统 NLP 方法进行比较。结果表明,卷积神经网络是一种性能优良且易解释的深度学习方法,可以有效提高患者表型预测的性能,降低注释复杂度,并自动学习与每个患者表型相关的短语。
Mar, 2017
本研究利用机器学习模型,动态识别慢性肾脏疾病患者,预测其是否需要肾脏替代治疗,可提前至一年。在研究中,我们对近三百万医保受益人进行了超过八百万次预测,证明该模型可实现超过 90%的灵敏度和特异度。该研究为筛查患者并进行早期干预以改善肾脏替代治疗成果提供了基础。
Sep, 2022