猫狗临床保健访问分类的机器学习算法开发与验证
本文通过对100多篇机器学习应用于人类健康领域的研究论文进行系统评估,发现相较于其他机器学习领域,该领域在数据和代码可获取性等可重复性方面表现较差,因此提出了对数据提供者、学术出版商和ML4H研究社区的建议,以促进可重复性研究的发展。
Jul, 2019
使用仿真环境进行数据采集和诊断的创新性研究,特别关注于犬只的步态分析。该研究利用Blender和Blenderproc库生成反映不同解剖学、环境和行为条件的合成数据集。通过图形表示和标准化以实现最佳分析,利用生成的数据集来训练机器学习算法以识别正常和异常的步态。创建了两个具有不同相机角度粒度的不同数据集,以进一步研究相机视角对模型准确性的影响。初步结果表明,这种基于仿真的方法有望通过实现更精确的数据采集和更有效的机器学习模型来推动兽医诊断的发展。通过整合合成和现实世界的患者数据,该研究为提高兽医医学的整体效果和效率奠定了坚实的基础。
Jul, 2023
将临床兽医叙述与大型语言模型(ChatGPT)和之前开发的正则表达式(RegexT)进行比较,来识别体重过重的身体状况评分。ChatGPT的召回率明显高于RegexT,但其精确度略低。大型语言模型创造了多样化的机会,虽然复杂,但提供了直观的信息接口,然而需要谨慎实施以避免错误。
Aug, 2023
本研究旨在利用基于传感器行为数据的机器学习算法,早期检测数字皮炎(DD)并预测奶牛DD。通过建立早期警报工具,实现对商业环境下DD的监测和管理,降低DD的发病率和严重程度,改善动物福利。通过基于行为传感器数据的机器学习模型,在自由栏条件下预测和检测奶牛数字皮炎,本探索性研究中,DD临床症状出现的第0天的检测模型准确率达到79%,DD临床症状出现前2天的预测模型准确率达到64%。该机器学习模型有助于基于行为传感器数据在常规奶牛环境下开发实时自动化的DD监测和诊断工具。研究结果表明,个体层面的行为模式变化可用作牛群管理早期警报系统的输入,以检测个体牛健康的差异。
Sep, 2023
通过对PET报告的语料库使用经过调整的大型语言模型进行训练,本研究致力于确定这些模型是否能够生成准确个性化的全身PET报告的印象。评估结果表明,基于PEGASUS模型生成的个性化印象在临床上是可接受的,突出了它在加速PET报告过程中的潜力。
Sep, 2023
家畜健康和福利监测在过去通常是一项手动的、消耗大量人力的任务。近年来,人工智能和计算机视觉技术,特别是深度学习模型,已经被广泛应用于家畜行业作为决策工具。本文旨在通过系统文献综述,研究深度学习在家畜行为识别方面的应用和研究进展,分析了44个高质量的原始研究,讨论了性能评估、挑战以及发展自动化家畜行为识别系统的潜在解决方案与研究方向。
Oct, 2023
机器学习在生物医学领域的高风险场景中,通过减少错误分类率和识别异常预测的方法,显著提高模型性能,并应用于兽医放射学领域,增强了机器学习分类器在高风险、实际情况下的实用性和可信度。
Nov, 2023
本研究解决了在动物福利监测中识别小牛活动行为的挑战。通过使用基于加速度计的传感器数据,我们对比了Rocket方法与11种深度学习方法在时间序列分类任务上的表现。研究发现,尽管深度学习在类似领域表现优异,但Rocket在小牛行为分类上的效果显著优于深度学习方法,可能是由于其更简单的分类框架具备了深度学习模型的数据编码优势。
Aug, 2024
本研究解决了当前呼吸疾病诊断和管理依赖专业临床测试的局限性,提出了一种基于机器学习的算法,用于在家监测接受持续正压呼吸治疗患者的呼吸状态。研究发现,随机森林分类器在准确性上优于其他模型,尤其是考虑呼吸频率后,这为将呼吸评估从临床环境转移到家庭提供了新的可能性,提升了可及性和患者自主性。
Sep, 2024
本研究解决了在犬类医学实践中肌肉骨骼系统检查缺乏训练数据的问题。通过提出一种生成合成图像数据的方法,模拟真实疾病的视觉文档,从而支持AI模型的预训练。研究表明,在处理少量视觉文档示例时,使用合成数据可以显著提高诊断准确性,提供了超越犬类肌肉骨骼评估领域的应用潜力。
Sep, 2024