Sep, 2023

结合生存分析与机器学习，使用电子医疗记录数据进行恶性肿瘤风险预测

PDF
TL;DR该研究提出了一种利用电子健康记录数据进行大规模癌症风险预测的新方法，通过最小数据贪婪策略结合机器学习和生存分析的 Survival Ensemble 方法，能在医疗机构中得以复制，并在癌症患者检测方面取得了比传统医学筛查更好的结果。
cancer screening methodsartificial intelligenceelectronic health recordsmass personalized assessmentsurvival ensemble
发现论文，激发创造
  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    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

  • 利用人工智能预测乳腺癌的个体风险调整 MRI 筛查和早期检测

    通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。

    Nov, 2023

  • 使用生存机器学习和统计方法预测痴呆风险：以英国衰老长期研究队列为例的结果

    研究使用机器学习中的生存分析方法，基于英国长寿研究队列 ELSA 数据，构建了两种基于随机森林和弹性网络算法的生存机器学习模型，并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。

    Jun, 2023

  • 一种改进的基于堆叠集成方法的心脏病预测

    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

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

    Mar, 2024

  • 可扩展和准确的电子健康记录深度学习

    使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

    Jan, 2018

  • 通过多模型降维算法和分类算法的多模态融合在转移性乳腺癌预测中的应用

    利用机器学习的预处理算法和分类算法，研究了检测转移性癌症的潜力，通过降低数据维度和使用 k 最近邻算法，获得了最高 71.14% 的准确率。

    Sep, 2023

  • 利用深度学习方法分析带有缺失值的整体生存情况

    应对非小细胞肺癌 (NSCLC) 患者生存期预测的两个挑战：有效利用来自每个患者的信息，并处理不完整的数据，已提出一种新颖的人工智能模型，利用转换器架构根据仅有的可用特征进行生存分析，无需采用任何插补策略，取得了优于其他最先进方法的良好结果。

    Jul, 2023

  • 基于多种机器学习和深度学习方法的电子病历数据对患者病情状态的分类

    研究使用多种机器学习和深度学习方法，通过对患者的电子病历进行分类，对患者的病情进行评估，并发现在监督和非监督算法中，超参数调整的随机森林表现最好，而分层聚类和高斯混合模型的表现也颇为出色。

    Sep, 2022

  • 基于计算机人工智能深度学习技术的疾病预测模型构建研究

    通过研究稳健学习算法并将其应用于传染病风险的预警，本项目提出了一种动态截断损失模型，将传统的互信息隐式权重特征与平均变异特征相结合，通过降低受噪声影响的训练结果引入训练损失的下界和基于采样率的方法，验证了该方法在不同噪声类型下的有效性，并实现了包含标签噪声数据的稳健学习。

    Jun, 2024