Jan, 2024

机器学习促进转化医学研究：预测痴呆研究中的专利和临床试验纳入

PDF
TL;DR使用机器学习技术，借助 Dimensions 数据库中的数据，研究人员对 1990-2023 年间英国痴呆研究出版物进行了分析，发现结合元数据、概念和摘要的模型具有最佳性能，证明将机器学习与当前研究方法相结合可以发现被忽视的出版物，加速找出有潜力的研究，并通过预测现实影响和指导翻译策略来改变痴呆研究。
dementiamachine learningtranslational potentialresearch methodologiesreal-world impact
发现论文，激发创造
  • 研究机器学习方法在预测早期阶段的痴呆病稳定性

    本文研究了机器学习算法在预测痴呆症中的稳定性，并发现支持向量机和朴素贝叶斯算法是最稳定的算法，在使用信息增益方法进行特征选择时比主成分分析更有效。

    Sep, 2022

  • 阿尔茨海默病恶化预测的机器学习方法

    本文探讨了使用机器学习预测阿尔茨海默病恶化的能力，并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果，即针对健康组和轻微认知障碍组的恶化预测，分别使用了 CART 和 Elastic Net 获得了较好的结果。

    Jun, 2023

  • 多模态归纳迁移学习用于阿尔茨海默病及其严重程度检测

    提出了一种集成声学、认知和语言特征的多模式系统，使用带时间特征的专业人工神经网络以检测阿尔茨海默病和其严重程度，并在 ADReSS 挑战数据集上获得了 83.3％的精度并在 DementiaBank Pitt 数据库上获得了 88.0％的分类精度，验证了无意识语音的通用性和可移植性。

    Aug, 2020

  • 使用生存机器学习模型在 ADNI 队列上预测阿尔茨海默病诊断风险随时间的变化

    利用生存机器学习建立了一个可预测认知能力下降导致痴呆症状发展以及预测发展时间的模型，预测能力良好，可用于临床研究和预测患阿尔茨海默病的风险。

    Jun, 2023

  • 通过机器学习在不断演化的知识图上预测高影响力研究主题

    预测从未发表的研究想法的影响力，使用大型知识图谱结合语义网络和引用网络，通过机器学习准确预测未来的网络动态和新研究方向的影响。

    Feb, 2024

  • 利用美国军方退伍老兵的纵向电子健康档案中的症状发生情况，提前预测阿尔茨海默病

    使用机器学习方法分析患者的纵向电子健康记录，确定可以更早预测阿尔茨海默病发病的迹象和症状。

    Jul, 2023

  • 自然语言处理技术在自发言语中预测阿尔茨海默病方面的比较

    该研究使用 Spontaneous Speech 数据集文本转录，使用多种模型对 AD 和正常人的分类和预测进行训练和评估。结果表明，使用 TF-IDF 向量化器作为输入的 SVM 模型和使用 ' DistilBERT ' 的预训练模型作为简单线性模型的嵌入层的模型表现最佳，在分类指标上展示了测试集得分为 0.81-0.82 和 RMSE 为 4.58 的结果。

    Jun, 2020

  • AD-BERT：使用预训练上下文嵌入技术预测轻度认知障碍进展为阿尔茨海默氏病

    该研究使用医疗电子记录中未结构化的临床笔记数据，采用基于 BERT 预训练模型的深度学习框架，预测从轻度认知障碍到阿尔茨海默症的疾病进展风险。

    Nov, 2022

  • 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

  • 利用大型语言模型基于电子健康记录预测阿尔茨海默病的增强风险

    通过利用语言模型为风险预测增添强大的能力，结合传统监督学习方法和大语言模型的决策机制，本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能，为改善 ADRD 筛查和早期检测实践带来了希望，并对患者管理策略产生潜在影响，进而改善医疗保健。

    May, 2024