增强脑卒中预测的综合范式：XGBoost 和 xDeepFM 算法的协同作用

Oct, 2023

增强脑卒中预测的综合范式：XGBoost 和 xDeepFM 算法的协同作用

An Integrative Paradigm for Enhanced Stroke Prediction: Synergizing XGBoost and xDeepFM Algorithms

Weinan Dai, Yifeng Jiang, Chengjie Mou, Chongyu Zhang

TL;DR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。

Abstract

stroke prediction plays a crucial role in preventing and managing this debilitating condition. In this study, we address the challenge of stroke prediction using a comprehensive dataset, and propose an ensemble model

stroke prediction ensemble model xgboost xdeepfm auc metric

发现论文，激发创造

从构思到部署：基于机器学习和性能评估的智能中风预测框架

本文提出了一个智能中风预测框架，该框架在文献中对使用最广泛的五种机器学习算法进行了评估，并比较分析了结果，发现随机森林算法最适合中风预测。

Apr, 2023

基于随机森林的卒中结果预测

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

基于不平衡医疗数据的机器学习性能分析来预测中风

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

预测中风后康复：基于可解释人工智能的深度学习、多模态数据和特征选择

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

脑血流动力学信号监测中的卒中预测和诊断模型

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

保护隐私的技术帮助数百万人：协作预测模型用于卒中预防

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

融合扩散加权磁共振成像和临床数据进行深度对比学习，用于预测急性缺血性卒中后的功能结局

基于扩散加权磁共振成像结合结构化健康档案的深度融合学习网络预测卒中患者的长期护理需求，在训练集上达到 0.87 的 AUC，0.80 的 F1 得分和 80.45% 的准确率，超过了目前医学领域中整合图像和结构化数据的现有模型，并且扩散加权磁共振成像能够与其他临床变量结合，在预测准确性上达到可比较的水平，从而更好地推广应用。

Feb, 2024

通过机器学习模型的比较分析改进心血管疾病预测：以心肌梗死为案例研究

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

基于 Transformer 的多模态脑卒中治疗分类结果预测

本研究提出了一种基于 Transformer 架构和自注意机制的多模态融合框架 Multitrans，通过将非对比度计算机断层成像（NCCT）图像和中风治疗患者的出院诊断报告结合起来，使用一种基于 Transformer 架构的多种方法来预测中风治疗的功能结果。结果表明，单模态文本分类的性能明显优于单模态图像分类，但多模态组合的效果优于任何单模态。尽管 Transformer 模型在成像数据上的性能不佳，但当与临床元诊断信息结合时，两者都能学习到更好的互补信息，并为准确预测中风治疗效果做出良好贡献。

Apr, 2024

高级支付安全系统：XGBoost、CatBoost 和 SMOTE 集成

利用 XGBoost 和 LightGBM 等机器学习模型，通过应用先进的机器学习模型和数据处理技术，本研究开发了一种更准确、更稳健的支付安全保护模型，有效提升了交易欺诈预防的能力。

Jun, 2024