基于机器学习巨大儿预测模型的研究进展

随着医学技术和信息系统的完善,医学领域积累了大量的数据,机器学习是通过应用先进的算法找出数据中隐藏的信息,有助于深入了解人类健康和疾病。巨大儿（出生体质量≥4000 g）增加母婴不良预后,产前准确评估并及时干预意义重大。目前医生腹部的主观估计和超声公式的客观数据对巨大儿的估计均不准确,而基于大数据的机器学习对巨大儿的预测提供了新的方向。本文通过分析机器学习预测巨大儿的各类算法模型、特点和效能,认为机器学习提高了巨大儿的准确性,在精准医疗的背景下有望成为更好地预测巨大儿的方法。     

基于机器学习的神经精神疾病辅助诊断研究进展

【摘要】神经影像技术被广泛应用于研究大脑结构和功能异常与神经精神疾病之间的相关性。与传统的统计学分析方法不同,机器学习模型能对神经影像学数据进行个体化预测,发掘潜在的生物学标记物。神经精神疾病辅助诊断包含数据预处理和机器学习算法。数据预处理是一种人为的特征工程,为机器学习算法提供量化特征;机器学习算法包含特征降维、模型训练和模型评估。鲁棒的机器学习算法可以实现对不同数据集的准确预测,并提供对预测结果贡献大的特征,作为潜在的生物学标记物。本文综述了近年来基于机器学习的神经精神疾病辅助诊断研究进展,从数据预处理、机器学习算法和生物学标记物3个角度进行介绍,并展望未来的研究方向。 【关键词】神经精神疾病;神经影像;机器学习;辅助诊断     

自杀行为预测中的机器学习方法：一项系统综述

目的：全面总结机器学习预测自杀行为的算法特点、应用场景和模型效能。方法：系统搜索三个数据库中（PubMed、EMBASE、Web of Science）截至2022年11月应用机器学习算法预测自杀意念、自杀尝试和自杀死亡的文献。结果：研究共纳入71篇文献，提取81个模型。机器学习预测自杀行为的模型效果良好（自杀意念AUC区间0.70～0.97；自杀尝试AUC区间：0.63～0.96；自杀死亡AUC区间：0.69～0.93），但阳性预测值偏低。当前研究多采用临床或社区样本，缺少学校样本。模型纳入的特征多为人口统计学和精神病理学变量，缺乏心理、生理和社会变量。结论：机器学习提升了自杀预测能力，有望作为辅助筛查工具应用于临床实践。     

机器学习在骨科诊疗中的应用进展

近年来,人工智能相关技术与医学领域的深度融合使得医工交叉成为热点。骨科疾病诊疗存在数据量大和决策困难等问题。机器学习作为人工智能领域的重要方法,具有对医学大数据自动分析和预测的能力,被广泛应用于骨科等临床学科领域,辅助医生高效地完成疾病诊断和治疗工作。介绍了机器学习在骨科术前、术中和术后诊疗中的应用进展,为探索更加合理的诊治策略提供新的思路。     

基于AdaBoost算法的药物—靶向蛋白作用预测算法

对靶向蛋白的药物作用进行预测可以促进药物新作用的发现。新近的研究更倾向于单独将特定的矩阵填补算法应用在靶向蛋白和药物的相互作用预测中。单模型的矩阵填补算法准确度较低,因此应用在药物—靶向蛋白作用预测方面也难以获得满意的结果。AdaBoost算法是一种由多分类器组合生成强分类器的算法框架,其在分类应用领域的实用性和有效性已被证明。靶向蛋白的药物作用预测是一个矩阵填补问题,即是一种评分预测过程,因此本文在使用AdaBoost算法对药物—靶向蛋白作用进行预测前,将药物—靶向蛋白作用预测的矩阵填补问题转化为分类问题,将AdaBoost算法应用在靶向蛋白的药物作用预测评分上,充分利用AdaBoost算法框架对多个弱分类器进行融合从而提升性能,得以进行准确的药物—靶向蛋白作用预测。基于公测数据集的实验结果表明,本文提出的算法在预测准确度方面超过了大多数经典算法和新近算法,较好地克服了新近基于机器学习方法单算法的局限性,更好地挖掘隐含因素,有效提升了预测准确度。     

基于机器学习的骨质疏松性骨折预测研究

复杂疾病的预测是遗传学研究的一个重要课题。本文引入机器学习的方法,将临床变量与遗传变量作为特征,对骨质疏松性骨折进行预测研究。对临床表型和遗传变异数据进行特征选择后分别使用Logistic回归分析法、XGBoost算法对临床因子特征变量、临床因子+遗传因子特征变量进行预测;最后,使用十折交叉验证法,对预测结果进行验证。实验结果表明,相较单独使用临床因子进行预测,加入遗传因子变量,XGBoost、Logistic方法的预测准确率均得到提高;另外,XGBoost方法较Logistic回归模型预测效果更好。     

人工智能在肿瘤基因表达数据中的应用研究进展

肿瘤是影响人类健康的严重疾病,早期诊断对提高治疗成功率和患者生存率至关重要。肿瘤基因表达数据的研究已经成为揭示肿瘤疾病机制的主要工具,人工智能在肿瘤基因表达数据分析中扮演着重要角色。本文从机器学习方法的角度,探讨监督式学习、无监督式学习和深度学习在肿瘤预测和分类中的潜在优势,特别关注特征选择算法对基因筛选的影响及其在高维度基因表达数据中的重要性。通过全面综述人工智能在肿瘤基因表达数据分析中的应用与发展,旨在为未来的研究方向提供参考,促进进一步发展。     

关于提升疾病检测系统智能特性的研究

2003年的上半年突如其来的SARS是对当今世界上医疗卫生系统的一次大考验，尤其疾病检测系统更是如此。本文首先谈及SARS给人类带来的思考，随即指出了构建疾病检测智能系统的必要性；然后简述了疾病检测技术的演进，由此从机器学习角度提出基于数据挖掘的疾病检测系统框架，并对常用机器学习算法在疾病检测能力上进行比较，通过比较有助于设计疾病检测系统和选择适当的学习算法来提高分析检测能力，改善疾病检测系统的智能特性。     

人工智能及机器学习在心血管疾病中的应用

人工智能(AI)及机器学习(ML)因其独特的优势逐渐在医学领域得到了较为广泛的应用。在心血管疾病中,该技术在处理电子病历记录中繁杂的数据,预测分析疾病发展及预后,自动分析和识别心血管影像学及心律失常,发现疾病新亚型等方面已经取得了一定进展。AI及ML在心血管疾病研究中潜力巨大,将会为心血管领域带来全新的突破。     

基于迁移学习的小样本重症疾病预后模型

针对临床上重症疾病样本数量少容易导致预后模型过拟合、预测误差大、不稳定的问题,本文提出迁移长短时程记忆算法(transLSTM)。该算法基于迁移学习思想,利用疾病间的相关性实现不同疾病预后模型的信息迁移,借助相关疾病的大数据辅助构建小样本目标病种有效模型,提升模型预测性能,降低对目标训练样本量的要求。transLSTM算法先利用相关疾病数据预训练部分模型参数,再用目标训练样本进一步调整整个网络。基于MIMIC-Ⅲ数据库的测试结果显示,相比传统的LSTM分类算法,transLSTM算法的AUROC指标高出0.02~0.07,AUPRC指标超过0.05~0.14,训练迭代次数仅为传统算法的39%~64%。应用于脓毒症疾病的结果显示,仅100个训练样本的transLSTM模型死亡率预测性能与250个训练样本的传统模型相当。在小样本情况下,transLSTM算法预测精度更高、训练速度更快,具有显著优势。它实现了迁移学习在小样本重症疾病预后模型中的应用。     

基于医学图像建立预测模型的应用现况

基于医学图像建立的预测模型,可以在一定程度上帮助临床医生对一些复杂及早期难发现的疾病进行诊断,而日益受到重视.在医学图像分析中采用的预测模型,主要包括数据挖掘算法、回归预测方法和时间序列预测法等.本文重点介绍数据挖掘算法和其他模型的应用情况、模型间的对比及联合应用效果,总体上模型联合应用的效果较好.     

机器学习在抑郁症辅助诊断中的应用进展

随着抑郁症诊疗技术的发展,各种抑郁症相关的临床数据量急速扩增,机器学习技术恰好适用于大数量、多维度、多模态的数据,通过机器学习技术自动学习抑郁症诊疗数据中的特征,利用数据特征对抑郁症进行疾病诊断、疗效预测,达到抑郁症辅助诊断的目的。本文从机器学习在不同种类临床数据上应用的角度对文献进行了系统性分析,总结了机器学习在抑郁症辅助诊断领域的通用研究流程及常用研究方法,并展望未来的研究方向以及面临的挑战。     

严肃游戏评估青少年自杀风险的探索

目的:探索基于严肃游戏构建的青少年自杀风险机器学习预测模型的性能。方法:从医院和学校共招募1135名9～18岁青少年，医生依据临床症状诊断、既往自杀史等资料，心理老师依据量表、观察、访谈等心理普查资料，将青少年自杀风险程度评估为无风险、低风险、中风险或高风险，通过严肃游戏软件获取其行为反应特征数据，运用机器学习算法建立行为反应特征和自杀风险的模型，并评估模型的预测性能。结果:机器学习模型对高风险的预测准确度最高(AUC=0.92),其次依次是中风险(AUC=0.85),无风险(AUC=0.74),低风险(AUC=0.62)。模型在区分自杀风险的4个类别(无风险、低风险、中风险、高风险)上的预测准确率为0.81,召回率为0.69,精确率为0.64,F1值为0.66;在区分有无自杀风险上的预测准确率为0.84,召回率为0.80,精确率为0.66,F1值为0.69。结论:通过严肃游戏软件获取的行为反应特征数据集能够在一定程度上解释和预测青少年的自杀风险。     

基因功能预测问题中的样本不平衡处理

应用机器学习进行分类是基因功能预测的一种重要手段。但是许多预测集中的阳性样本过少，会降低功能预测的效果。针对此问题，本研究对结合支持向量机（SVM）算法的几种常用非平衡数据分类方法进行实验比较，包括投票整合分类器和移动分类面等。在此基础上提出通过加权修正投票的整合策略，以提高预测效果。实验结果显示，结合多数类样本限数取样及整合思想的投票整合法预测效果优于移动分类面法，而在投票整合法基础上的加权修正整合方法在所有方法中获得更好更稳定的结果。     

9种机器学习模型预测幕上深部自发性脑出血早期血肿扩张及预后不良的比较

目的 比较9种机器学习模型对幕上深部自发性脑出血（SICH）患者发生早期血肿扩张及预后不良情况的预测性能。方法 回顾性研究。纳入2015年1月—2019年5月4家医院幕上深部SICH患者420例。其中男275例、女145例,年龄25~90（61.0±12.9）岁。420例患者按照7∶3的比例,采用完全随机法分为训练集294例和验证集126例。患者在72 h内复查CT,若血肿体积比初始体积增长>6 mL或>33%,判定存在早期血肿扩张。采用改良的Rankin评分量表（mRS）评估预后,以mRS>3分判定为预后不良。比较训练集和验证集的基线资料。采用随机森林、极限梯度提升算法（XGboost）、梯度爬升决策树、自适应提升算法、朴素贝叶斯、logistic回归、支持向量机、K近邻、多层感知机9种机器学习算法对早期血肿扩张及预后不良分别构建预测模型;在训练集中,依据各模型的灵敏度和特异度绘制受试者操作特征曲线,采用3折交叉验证取曲线下面积（AUC）,比较各模型对早期血肿扩张及预后不良情况的预测性能,并在验证集测试模型的可靠性。结果 训练集和验证集患者基线资料比较差异均无统计学意义（P值均>0.05）。420例患者中,早期脑血肿扩张的患者有117例（27.86%）;399例患者获随访,其中预后不良的患者有210例（52.63%）。预测早期血肿扩张：训练集中,9种机器学习模型的AUC为0.590~0.685,其中以XGboost模型最高,AUC为0.685±0.024;在验证集中,XGboost模型AUC为0.686[95%可信区间（CI）0.578~0.721]。预测预后不良：9种机器学习模型的AUC为0.703~0.852,其中logistic回归模型最高,AUC为0.852±0.041;而在验证集中,logistic回归模型AUC为0.894（95%CI 0.862~0.912）。结论 9种机器学习算法模型中,XGboost对幕上深部SICH早期血肿扩张的预测性能最佳,而logistic回归模型对预后不良的预测性能最高;对于不同临床结局的预测,应选用合适的机器学习模型。     

机器学习在腰椎间盘突出症诊治中的优势和应用策略

背景：基于机器学习的不同算法，如何借助各种算法模型开展腰椎间盘突出症的临床研究已成为目前智能化医学发展的趋势和热点。目的：综述机器学习不同算法模型在腰椎间盘突出症诊治中的特点，归纳相同用途的算法模型各自优势和应用策略。方法：计算机检索PubMed、Web of Science、EMBASE、中国知网、万方数据、维普及中国生物医学数据库中与机器学习在腰椎间盘突出症诊治中的相关应用文献，按入组标准筛选后最终纳入96篇文献进行综述。结果与结论：(1)机器学习的不同算法模型为腰椎间盘突出症的临床诊治提供了智能化、精准化的应用策略。(2)监督学习中的传统统计学方法和决策树在探究危险因素，制定诊断、预后模型方面简单高效；支持向量机适用于高维特征的小数据集，作为非线性分类器可应用于正常或退变椎间盘的识别、分割、分类，制定诊断、预后模型；集成学习可相互弥补单一模型的不足，具有处理高维数据的能力，提高临床预测模型的精度和准确性；人工神经网络提高了模型的学习能力，可应用于椎间盘识别和分类，制作临床预测模型；深度学习在具有以上用途的基础上，还能优化图像，辅助手术操作，是目前腰椎间盘突出症诊治中应用最广泛、性...     

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价，缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合，在精神疾病辅助诊断领域的应用发展迅速，采用传统机器学习算法和深度学习算法，对脑电信号特征进行学习，从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征，笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展，最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解，难以解释其在医学领域的作用，因此深度学习也是脑电研究发展方向之一。此外，单独对脑电图进行分析难以囊括患者所有的特征，需与其他模态的生理参数结合进行多生理参数融合分析，使得疾病诊断更加智能化。     

基因位点预测的一种特征选择优化算法

目的剪接位点是真核细胞生物基因序列中外显子和内含子的相邻区域,如果能准确预测基因序列中的剪接位点,就能将基因中的表达区域和非表达区域分开.方法从机器学习的角度出发,提出了一种有效的特征选择算法用于剪接位点的建模和预测.该算法首先将初始链模型中每一对父子节点作为特征量提取,然后通过遗传算法和最大后验分类器进行特征选择.结果及结论对剪接位点数据的预测结果显示,这种新算法能够有效地优化链模型的结构,提高对剪接位点的预测能力.同时,经过优化的模型也有助于了解真核细胞中基因转录和表达的过程.     

基于机器学习的肝癌无创检测

目的根据肝癌临床诊断的需求,建立肝癌诊断预测模型,以达到无创检测肝癌的目的。方法利用德国企业产ILD3000型电子鼻设备采集正常受试者和肝癌患者的呼气数据,对呼气所得时间序列数据进行特征提取,包括序列数据的最大值、最小值、均值、标准差、序列数据总和等统计学特征。结合特征降维算法和机器学习分类模型对呼气特征数据进行正常受试者和原发性肝癌患者的二分类实验。结果通过模型选择和参数调整,在线性核函数支持向量机上对呼气数据取得92.3%的最优二分类结果。结论以正常受试者和肝癌患者的呼气数据为样本,利用机器学习建模的方法可以对肝癌做出诊断预测,且在此数据上,线性核函数支持向量机算法具有最好的分类效果。     

生物力学因素在青光眼评估中的应用研究综述

青光眼的生物力学风险因素众多,相互关系纷繁复杂。本文综述了青光眼有关力学作用方面的最新研究状况。在青光眼生物力学研究的发展前景方面,提出了一个全新的生物力学评估指标——压力储备分数(FPR),并提出利用人工智能和机器学习等新技术构建面向临床应用的青光眼风险评估算法和应用系统。