Mar, 2024

利用机器学习预测结核病治疗结果：卡纳塔克邦结核病数据研究

PDF
TL;DR该研究通过使用机器学习，特别是结合表格数据，更准确地预测结核病（TB）的治疗结果，将这一预测任务转化为二元分类问题，并通过来自印度国家结核病控制计划的 50 万多个病人记录的数据生成风险评分。数据预处理是该研究的关键组成部分，在验证集上获得了 98% 的召回率和 0.95 的 AUC-ROC 得分。该研究还探索了自然语言处理（NLP）在模型学习中的应用，通过各种指标和消融研究证实了该方法的有效性。研究通过讨论我们的研究对结核病根除工作的潜在影响，并提出了未来的研究方向，展示了机器学习在医疗保健中的潜力。
tuberculosismachine learningtabular databinary classificationpatient data
发现论文，激发创造
  • 规模化预测结核病患者的治疗依从性

    利用近 70 万份印度四个州的病人资料，使用机器学习技术通过自定义排名指标并考虑到国家范围内的大规模未来部署，可以实现早期预测不依从医嘱的非依从性患者的风险分层，是一种可行的落地的机器学习解决方案。

    Nov, 2022

  • 机器学习咳嗽音频分析早期检测结核病：朝着更可获得的全球分级使用

    通过分析手机麦克风中的咳嗽声的声学特征，该研究开发了一个集成模型来检测结核病，该模型通过患者咳嗽声数据和人口统计学数据进行训练，在 15 秒内获得结果，可通过移动应用程序轻松访问。

    Oct, 2023

  • 利用数字依从性数据学习为结核病患者开具处方干预方案

    在印度使用数字依从性技术（DAT）的实际应用中，构建一个深度学习模型，用以预测 TB 患者的依从性和治疗结果，并探讨如何在临床中使用该模型进行更有效的患者关怀和干预。

    Feb, 2019

  • 用可解释自监督深度神经网络增强结核筛查

    结核病在全球资源匮乏的人群和偏远地区持续存在，每年新增感染者超过 1000 万人，是公共卫生领域不平等的显著象征。通过介绍一种针对结核病筛查的可解释自监督自训练学习网络，本研究实现了 98.14% 的出色总准确率，并在 95.72% 的召回率和 99.44% 的精确率下，有效捕获临床重要特征。

    Jun, 2024

  • 使用 U-Net 和分割技术预测结核病

    本研究旨在通过使用 MODS 方法和无镜头显微镜来便利和自动化诊断结核病，同时使用 U-Net 网络对数据集进行自动分割，以预测结核病的发生。结果显示出对结核病细胞的自动分割表现出很好的精确度，因此可有望用于结核病的自动诊断。

    Apr, 2021

  • 提高诊断精确度：利用机器学习技术在胸部 X 射线图像中准确检测 Covid-19、肺炎和结核病

    通过深度学习和图像处理，研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性，通过与多个经过预训练的迁移学习模型进行比较，该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。

    Oct, 2023

  • 机器学习在传染病风险预测中的应用调查

    通过机器学习可以定量描述疾病传播模式并准确预测传染性疾病风险，促进疾病预防和控制。

    Aug, 2023

  • 机器学习增强的诊断测试用于识别测试性能变异的源泉

    利用机器学习技术评估病毒检测的情境风险，以提高诊断测试的敏感度，预测牛结核引起牛群病情恶化的发生率，而不损害测试的特异性。

    Mar, 2024

  • 利用机器学习进行肝部感染预测分析，以评估神经网络的分析性能和优化技术

    ML algorithms and machine learning optimization are used to evaluate different liver illness datasets and identify the most excellent categorization models by modifying hyperparameters such as Phosphotase, Direct Billirubin, Protiens, Albumin, and Albumin Globulin, essential for minimizing the cost function and visualizing the pattern.

    May, 2023

  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023