Feb, 2024

机器学习分类算法的比较及其在弗雷明翰心脏研究中的应用

HTML
PDF
TL;DR利用机器学习算法在医疗保健领域可能会放大社会不公和卫生不平等问题；本研究关注于机器学习分类算法在开发和使用过程中遇到的一些普遍性障碍，通过以弗雷明汉冠心病数据为案例，说明了如何选择概率阈值将回归模型转换为分类器，并比较了八种常用机器学习分类算法在不同训练/测试场景下的预测性能，以测试它们的普适性和可能引发的偏见问题；得到的研究结果表明，XGBoost和支持向量机在不平衡数据集上训练存在缺陷，而双重判别式为I型是最具普适性的，它在各种训练/测试场景下都始终优于其他分类算法；最后，提出了一种用于分类算法的最佳变量层次结构提取方法，并以全量数据、男性和女性的弗雷明汉心脏病数据进行了说明。
发现论文，激发创造
  • 应用监督学习算法和新的特征选择方法预测冠状动脉疾病

    本文利用DNA位点级别上所采集的单核苷酸多态性（SNPs）数据，从数据科学的视角探讨了冠状动脉疾病的预测。研究中介绍了两种常用的监督学习算法和二维降维技术，分别进行了误差比较分析，结果表明新方法随机森林预测模型的准确率和ROC曲线的面积都比传统方法更优。

    Feb, 2014

  • 基于机器学习融合方法的二元和多分类心血管疾病严重性预测

    本研究使用机器学习技术构造了三个融合模型，在心脏病数据集上进行训练和预测，其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法，以预测心血管疾病的出现和严重程度，实验结果表明，这三个融合模型具有良好的分类性能，多类分类的最高准确率为 75%，二类分类的最高准确率为 95%。

    Mar, 2022

  • 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

  • 使用机器学习算法预测心脏病，减少调查时间

    这项研究利用支持向量机等机器学习技术分析疾病调查数据，通过实验结果发现该数据可在高达80%的准确率下预测心脏病，同时对数据进行特征选择可缩短调查时间77%。

    May, 2023

  • 机器学习在临床疾病诊断中的重要性：综述

    通过分析当前文献，本研究提供了关于机器学习在疾病诊断方面的最新方法和性能指标的深入了解。

    Oct, 2023

  • 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

  • 机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

    该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的CCHIA公开数据，以及从139例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了14年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

    Mar, 2024

  • 机器学习在医疗领域的样本选择偏差

    机器学习算法在个性化医学中具有潜力，但其临床应用仍受到限制。研究表明，样本选择偏差（SSB）是限制其采用的一个关键因素。本研究通过检验SSB对机器学习算法性能的影响，指出了潜在的风险，并提出了一种新的研究方向，该方向基于目标人群的识别而非偏差校正来解决SSB问题。实验结果表明，SSB可能导致算法在目标人群上的性能大幅下降，并且对于从研究人群中选取的代表性和非选取患者的目标子人群的性能存在显著差异。此外，我们提出的技术在不同数据集大小、事件率和选择率的各种场景下展现出稳健性，优于现有的偏差校正技术。

    May, 2024

  • 使用机器学习算法进行心脏病的分类和预测

    本研究解决了心脏病预测工具成本高或适用性差的问题，提出了通过多种机器学习算法寻找最佳分类器的方法。研究发现，K最近邻算法是最有效的心脏病预测模型，这一结果为未来心脏病检测和治疗提供了重要参考。

    Sep, 2024

  • 使用一套机器学习模型预测冠心病

    本研究解决了冠心病早期诊断方法的局限性，包括侵入性、晚期检测和高成本等问题。研究引入了多个知名的机器学习算法，并对它们的性能进行了比较，最终发现经过过采样的随机森林模型提供了最高的准确率84%。该研究为冠心病的早期诊断提供了低成本和非侵入性的解决方案。

    Sep, 2024