Jun, 2024

通过贝叶斯网络分析方法探索 1 型和 2 型糖尿病的生物标志物关系

PDF
TL;DR通过应用贝叶斯网络结构学习分析上海 1 型和 2 型糖尿病数据集，揭示了与糖尿病相关的关键生物标志物之间的复杂关系。构建的贝叶斯网络在预测准确性方面表现出显著的效果，特别是对于 2 型糖尿病，其均方根误差为 18.23 毫克 / 分升，在单域实验证实和克拉克误差网格分析中得到了验证。这项研究不仅通过深入理解生物标志物的相互作用，阐明了糖尿病的复杂动态，而且强调了将数据驱动和知识驱动方法结合在个性化糖尿病管理领域的巨大潜力。这种方法为更加定制和有效的治疗策略铺平了道路，标志着该领域的显著进展。
发现论文，激发创造
  • 基于学习的放射组学预测二型糖尿病在图像衍生表型的应用

    利用影像学数据，神经网络和决策树模型可用于预测 2 型糖尿病发病率及输出类似于血红蛋白 A1C 实验室测量的可解释值，并演示输入向量小扰动对系统的灵敏度可用于预测先前未见的病人群体。

    Sep, 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

  • 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

  • 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

  • 血糖水平预测：基于图像的可解释方法与联邦学习

    使用图注意力内存模型和联邦学习方法进行血糖水平预测，在类型 1 糖尿病患者中取得了稳定而有效的结果。

    Dec, 2023

  • 探索结构学习算法在识别糖尿病患者干预风险因素中的有效性

    糖尿病的结构学习算法和因果路径的研究，通过转化输出图为因果贝叶斯网络，从一个多样的结构学习算法集合中获得独特的糖尿病因果模型，为医疗专业人员提供对相关风险因素与假设干预效果之间的交互作用的全面理解，以制定高效的干预和风险管理策略。

    Mar, 2024

  • 通过互信息排序生物标志物

    本研究利用信息论方法对生物标记进行排序，并引入适用于小型或稀疏数据集的经验贝叶斯估计器和新的可视化工具，以探索预测和预后生物标记的强度，同时观察哪些生物标记具有更显著的预后或预测作用，从而在生物标记发现领域具有重要作用。

    Dec, 2016

  • 深度学习在糖尿病诊断中的应用

    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

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 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