利用传感器技术和机器学习，我们提出了一种基于批归一化的反向传播神经网络（BPNN）的非侵入性糖尿病诊断方法，通过数据重采样和标准化实现类别平衡，实验结果显示相对传统方法在整体准确度、敏感度和特异度上具有显著提高，特别是在 Pima 糖尿病数据集中达到了 89.81% 的准确度，在 CDC BRFSS2015 数据集中达到了 75.49% 的准确度，在 Mesra 糖尿病数据集中达到了 95.28% 的准确度，凸显了深度学习模型在稳健糖尿病诊断方面的潜力。

Mar, 2024

提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型，通过比较实验结果表明，与逻辑回归和支持向量机等现有机器学习方法相比，该模型使用随机森林算法平均预测精度提高了 4.57％，但执行时间较长。

Nov, 2022

该研究主要使用机器学习技术，从糖尿病患者的诊断医疗数据中提取知识，探索与疾病相关的各种风险因素，并使用四种流行的机器学习算法来预测糖尿病患者，结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。

Jan, 2019

该研究论文提出使用深度学习方法和特征增强技术评估患者是否有心血管疾病的风险，其结果优于其他最先进方法 4.4%，精度达到 90%，对于影响大量人口的疾病而言，这是一个显著的改进。

Feb, 2024

利用机器学习模型为阿根廷地区特定生成 T2D 和 PD 风险人群预测模型的发展和评估，证明了 RF、DT 和 ANN 方法在分类能力方面表现出色，为阿根廷地区的更复杂模型开发迈出了第一步。

Mar, 2024

本研究提出了一种结合数据驱动的生理模型和 Siamese 网络的集成学习框架，用于在人工胰腺系统中准确检测运动，并在临床试验数据集上表现出了高达 86.4％的真正阳性率和 99.1％的真正阴性率。

May, 2023

本研究旨在开发一个增强型深度学习模型，用于诊断糖尿病视网膜病变，从而实现早期的 DR 识别和病变的检测。该模型将从视网膜图像中检测出各种病变，首先从视网膜底部图像中提取特征并进行分类，然后使用 EDLM 进行降维，并使用随机梯度下降优化器对分类和特征提取过程进行优化。在 KAG GLE 数据集上对 EDLM 的有效性进行了评估，并与 VGG16、VGG19、RESNET18、RESNET34 和 RESNET50 进行了比较。

May, 2023

本研究采用基于两种广泛应用的预训练卷积神经网络（VGG16 和 Inception V3）的集成方法，旨在将糖尿病性视网膜病变（DR）分为五个不同的类别。通过冻结预训练模型中的部分层，使用全局平均池化层将输出特征映射转换为固定长度向量，并将这些向量连接起来形成输入图像的综合表示。在 APTOS 数据集的训练和验证集上对集成模型进行训练，并在测试集上表明该模型对 DR 分类具有 96.4% 的准确性。

Aug, 2023

研究探讨了如何利用预训练的深度卷积神经网络 (Inception-V3) 中的 Inception 模块进行糖尿病视网膜病变检测，以解决深度学习在医学数据分类问题中的标记数据不足的挑战。通过利用 Kaggle 糖尿病视网膜病变分类挑战数据集的子集，作者训练了预训练 Inception-V3 模型，取得了不错的结果。该研究展示了在标记数据不足的情况下如何利用迁移学习来进行医学图像分类中的大规模筛选和准确性问题。

May, 2019

糖尿病性视网膜病变的早期检测可以降低疾病风险和严重程度。本文开发了一个完全准确的基于机器学习模型的糖尿病性视网膜病变检测方法，利用迁移学习和数据增强等技术实现了 100% 的准确率、精确度、召回率和 F-1 分数。

Jun, 2023