利用回归引导神经网络揭示环境危险对健康风险的人群异质性
我们提出了一个针对医疗保健的个性化和可靠的预测模型,可以提供个性化的诊断、治疗和预防等医疗服务。该模型利用深度神经网络学习众多病人的复杂全局趋势,并利用高斯过程对每个病人的个性化时间序列进行概率建模,从而比标准时间序列深度模型如纯循环神经网络(RNN)具有更实用的优势。
Jun, 2018
在高维数据领域,我们提出了一种将不确定性估计融入到个体层面因果估计中的实用方法,这种方法能够优雅地处理“没有重叠”的情况,并在实际应用中处理协变量转移,既能避免过度自信,又可在预测不可信时提醒决策者,在处理方面超越其不关注不确定性的对应物。
Jul, 2020
通过比较计算模型,本研究发现深度神经网络(DNN)在估计乳腺癌多基因风险评分(PRS)方面胜过其他机器学习技术和统计算法,包括BLUP、BayesA和LDpred。DNN能够将案例人群分为高基因风险和正常基因风险两个亚群,并准确预测疾病风险,其中DNN在50%患病率测试样本中实现了18.8%的召回率和90%的精确度,可推广至12%患病率的一般人群中的20%精确度下达到65.4%的召回率。此外,通过DNN模型的解释还发现了在关联研究中被赋予不显著p值的重要变异体,这些变异体可能通过非线性关系与表型相关联。
Jul, 2023
乳腺癌在女性死亡中的地位越来越重要,取代了心脏病的地位。除了遗传因素,在乳腺癌发生和发展中,新研究表明环境因素也起着重要作用。这项研究全面回顾了影响乳腺癌风险、发病率和结果的各种环境因素的文献。研究从生活方式决策入手,如饮食习惯、运动习惯和饮酒等对激素失衡和炎症的影响,这两个因素是乳腺癌发展的重要驱动力。此外,研究还探讨了农药、内分泌干扰物和工业排放等环境污染物在乳腺癌发展中的作用,这些污染物与激素信号和DNA损伤的干扰有关。还利用机器学习算法进行预测,包括逻辑回归、随机森林、KNN算法、支持向量机和额外树分类器等。使用混淆矩阵相关系数、F1分数、精确度、召回率和ROC曲线等指标来评估模型。所有分类器中最准确的是随机森林,准确率为0.91%,逻辑回归的ROC曲线为0.901%。这项研究中利用的多种机器学习算法的准确性良好,这是重要的,表明这些技术可以作为乳腺癌生存分析中的替代预测技术,尤其在亚洲地区。
Sep, 2023
通过使用计算机算法,结合环境污染数据和基因蛋白相互作用网络以及认知障碍住院数据,本研究成功开发了一个应用于预测老年人认知障碍风险的交互网络。该算法能够通过特异性、敏感性和准确性指标,预测和模拟认知健康问题的风险,并通过用户的个人医疗历史和地理位置,为用户提供个性化的预测。该研究还有望解决认知障碍诊断和治疗中的种族差异问题,促进更公平、可及的护理。
Oct, 2023
我们通过对2020年维也纳公众的视觉数据进行物体检测、卷积神经网络、回归分析和多层感知机的综合分析,发现口罩相关的政府法规和公共交通公告鼓励在COVID-19大流行期间正确佩戴口罩的行为,而公告和法规内容的变化对人们的行为产生了不均匀的影响;通过比较回归分析和神经网络的预测能力,我们证明后者能更准确地预测COVID-19大流行期间的人口反应,并且回归建模还使我们能够揭示社会行为之间可能存在的因果关系路径;由于我们的发现强调了适当的沟通内容的重要性,我们的研究结果将有助于未来制定更有效的非药物干预措施;此外,我们还证明了回归建模和神经网络并不是互斥的,而是相互补充的。
Nov, 2023
该论文介绍了将流行病学和医学领域中传统应用的Hui-Walter模式应用于机器学习领域,以估计关键性能指标和处理动态和不确定的数据环境。
Jan, 2024
通过数据驱动的方法,在结构因果模型框架下,提出了一种名为Focused Adversarial Invariance Regularization (FAIR)的新框架,用于解决多样环境下的不变性追求问题,并应用FAIR-NN估计器实现普适的非参数不变性学习。
May, 2024
通过分析荷兰的街景图像,该研究探讨了抑郁症和焦虑症的环境相关性。研究采用原始图像并利用两种神经网络模型(DeiT Base 和 ResNet50)来预测不同风险等级的社区风险水平,并通过对模型应用 SHAP 和梯度回溯方法来寻找相关特征。研究发现,特定的风景类型与特定的风险类别之间存在一致性联系,这证明了这些方法在监测环境风险因素与精神健康问题之间的关联性方面的潜力。未来的研究方向推荐借助这些方法观察荷兰健康监测风险评分在不同社区之间随时间的变化。
Jun, 2024