深度学习在糖尿病诊断中的应用

Mar, 2024

A Deep Learning Approach to Diabetes Diagnosis

Zeyu Zhang, Khandaker Asif Ahmed, Md Rakibul Hasan, Tom Gedeon, Md Zakir Hossain

TL;DR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。

Abstract

diabetes, resulting from inadequate insulin production or utilization, causes extensive harm to the body. Existing diagnostic methods are often invasive and come with drawbacks, such as cost constraints. Although there are machine learning models like Classwise k Nearest Neighbor (CkNN

diabetes diagnosis machine learning back propagation neural network deep learning

发现论文，激发创造

机器学习技术在预测糖尿病方面的表现分析

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

使用深度学习技术进行糖尿病检测的过采样和特征增强

通过使用深度学习技术进行数据预处理和分类，本研究提出的全面深度学习流程方法在糖尿病检测领域中表现出超越最先进方法的潜力。

Feb, 2024

安全和隐私保护的自动化端到端整合 IoT-Edge - 人工智能 - 区块链监测系统，用于糖尿病预测

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

使用连续葡萄糖监测数据的基于机器学习的 1 型糖尿病患者血糖水平预测

该研究探讨利用连续血糖监测设备和机器学习模型进行血糖浓度的预测，旨在为糖尿病治疗提供便利以及为人工胰腺系统认证和监管提供可靠性支持。

Feb, 2023

LSTM 神经网络与传统机器学习模型在预测糖尿病患者再入院方面的比较分析

该研究使用了 Diabetes 130-US Hospitals 数据集，利用各种传统机器学习模型（如 XGBoost、LightGBM、CatBoost、决策树和随机森林）进行分析和预测了糖尿病患者的再入院情况，并通过自主开发的 LSTM 神经网络进行对比。研究结果显示，LightGBM 是最佳的传统模型，而 XGBoost 位居第二，LSTM 模型在训练准确性较高的情况下存在过拟合问题。研究还使用了 SHAP 值提高了模型的解释性，并指出了实验结果中影响再入院预测的重要因素，如实验室过程数量和出院安排。该研究表明，在预测性医疗模型中，模型选择、验证和解释性是关键步骤，有助于医疗服务提供者设计干预措施，提高糖尿病患者的随访遵从性和管理效果。

Jun, 2024

基于机器学习的智能医疗框架 HealthEdge: 面向一体化 IoT、Edge 和 Cloud 计算系统中 2 型糖尿病预测的应用

该论文提出了一种基于智能健康护理系统的、用于预测 2 型糖尿病的机器学习模型 HealthEdge，并使用真实数据集进行了两种机器学习算法（随机森林和逻辑回归）之间的比较分析，结果表明 RF 预测糖尿病的准确率比 LR 平均高 6％。

Jan, 2023

利用机器学习技术在阿根廷对糖尿病风险人群的首次识别体验

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

使用深度学习方法进行自动医学诊断的低成本设备原型

本研究利用深度神经网络和卷积神经网络，设计了一种低成本的设备原型，能够通过输入症状和个人背景信息进行自动诊断，实现对多种疾病的有效诊断和治疗，准确率高达 90%。该工具能够为全球人们提供低成本的重要诊断和治疗手段。

Dec, 2018

基于机器学习的医院再入院健康差异预测、诊断和缓解模型

研究探讨了使用机器学习方法提前预测糖尿病患者住院需求的重要性，同时阐述了在数据收集和模型预测中消除社会相关的数据偏差的必要性。该研究提出了一种机器学习流程，能够检测并缓解数据和模型预测中的偏差，从而获得更加公正的预测结果。实验证明，及时消除数据收集过程中的偏差可以得到更加公平的预测结果。

Jun, 2022

基于人工智能的精准医学方法：糖尿病风险预测

本综述分析了 40 项使用人工智能模型（主要是机器学习模型）预测 2 型糖尿病（T2DM）风险的研究，结果显示单模态和多模态模型表现良好，但是外部验证和新型生物标志的应用不足。

May, 2023