基于PSO-XGBoost机器学习模型的中老年人PCNL术后结石残留预测研究

目的：基于粒子群优化算法（PSO）的XGBoost模型（PSO-XGBoost）预测中老年患者经皮肾镜碎石术（PCNL）后的泌尿系统结石残留情况。方法：选取2014年1月至2018年12月在某三级甲等医院接受PCNL治疗的596例中老年肾结石患者为研究对象。将数据集按7:3的比例随机分为训练集和测试集,建立PSO-XGBoost模型,以准确度、精准度、召回率、F1值和ROC曲线下面积（AUC）等指标评估模型性能。结果：PSO-XGBoost模型预测PCNL术后泌尿系统结石残留的准确度、精准度、召回率、F1值和AUC均优于支持向量机、近邻算法、决策树和BP神经网络模型。结论：PSO-XGBoost模型可更快、更准确地预测中老年患者PCNL术后是否有泌尿系统结石残留,为制定术后个性化治疗、护理方案提供参考。     

基于遗传算法和BP神经网络的CTG识别研究

目的:针对正常类、非典型类和异常类3类胎心宫缩监护图(Cardiotocography,CTG),利用BP神经网络建立分类识别模型。方法:根据遗传算法(Genetic algorithm,GA)具有全局寻优的特点,引入遗传算法对神经网络权值和阈值进行优化,形成一种训练神经网络的混合算法(GA-BP算法),以克服BP算法易陷入局部最优解的缺陷,并以UCI数据库中的CTG数据集为例进行测试。结论:仿真结果表明,对于正常类、非典型类和异常类3类样本,BP算法的分类准确率分别为97.32%、71.97%和95.45%,而GA-BP算法的分类准确率分别提高到98.24%、82.67%和95.65%。可见GA-BP分类模型具有较强的学习能力和泛化能力,分类准确度更令人满意,所提出的方法是可行的。     

使用机器学习建立慢性阻塞性肺疾病患者重度气流受限风险预警模型研究

背景气流受限程度是评价慢性阻塞性肺疾病（COPD）患者疾病进展的关键指标。然而由于检查禁忌、依从性等问题,导致部分患者难以开展相关检查,无法评价疾病严重程度。目的建立并评估基于机器学习算法的COPD患者重度气流受限风险预警模型。方法采用横断面设计调查2019年1月至2020年6月四川省某三甲医院的COPD住院患者,收集患者一般临床指标与肺功能检查数据。将数据按8∶2比例随机分为训练集和测试集,在训练集中使用4种缺失值填充方法、3种特征筛选方法、17种机器学习和1种集成学习算法构建216种风险预警模型。采用ROC曲线下面积（AUC）、准确率、精确率、召回率和F1值评价模型的预测性能,分别使用十折交叉验证法和Bootstrapping算法进行内部验证和外部验证。使用测试集数据进行模型测试和选择。使用后验法进行样本量验证。结果共纳入418例患者,其中212例（50.7%）患者存在重度以上气流受限风险。经4种缺失值处理和3种特征筛选后,共获得12个处理后的数据集及12种影响气流受限因素的重要性排序,结果显示,呼吸困难指数评分（mMRC）等级、年龄、体质指数（BMI）、吸烟史（有、无）、慢性阻塞性肺疾病评估表（CAT）评分、呼吸困难（有、无）在变量特征排序中居于前列,是构造模型的关键指标,对结果预测有重要作用。其中,采取不填充、Lasso筛选方法后,mMRC等级、吸烟史（有、无）、呼吸困难（有、无）为位居前3位的预测因子,mMRC等级占特征重要性的54.15%。使用不填充、Boruta筛选方法后,CAT评分、年龄、mMRC等级为位居前3位的预测因子,CAT评分占特征重要性的26.64%。使用17种机器学习和1个集成学习算法对12个数据集分别建模,共得216个预测模型。17种机器学习算法十折交叉验证结果显示,不同算法预测性能比较,差异有统计学意义（P<0.05）,随机梯度下降算法的平均AUC最大,为（0.738±0.089）。使用Bootstrapping算法对测试集进行外部验证结果显示,不同算法所得模型的预测性能比较,差异有统计学意义（P<0.05）,集成学习算法的平均AUC最大,为（0.757±0.057）。利用Bootstrapping算法对4种缺失值处理和3种特征筛选预测性能评价结果显示,当不填充和Lasso筛选时,可提高模型的性能,差异有统计学意义（P<0.05）。使用测试集数据对216个机器学习模型进行测试,最佳模型的AUC为0.790 9,准确率为75.90%,精确率为75.00%,召回率为78.57%,F1值为0.767 4。样本量验证结果提示研究样本量可满足建模需求。结论本研究建立并评价了COPD患者重度气流受限风险预警模型,mMRC等级、年龄、BMI、CAT评分、是否有吸烟史和呼吸困难是影响气流受限的关键指标。该模型预测效果良好,具有潜在的临床应用前景。     

基于ADC图的三维卷积神经网络模型在判断直肠癌T分期的应用

目的 利用三维卷积神经网络与磁共振弥散加权成像(DWI)序列的ADC图对直肠癌患者肿瘤T分期进行分类判断,提高分期准确度。方法 回顾性分析183例直肠癌病例,其中训练集160例,测试集23例(T1/T2期13例,T3/T4期10例)。训练集图像采用水平、垂直翻转等方式进行4倍扩充。基于三维卷积神经网络进行训练,采用十折交叉验证方法降低模型过拟合程度。根据测试结果数据绘制受试者工作特征(ROC)曲线,并计算曲线下面积(AUC),分析卷积网络模型的准确性与可靠性。结果 测试集测试结果显示,卷积网络模型判断肿瘤T分期的准确率为82.6%,ROC曲线的AUC为0.850,敏感度和特异度分别为84.6%和80.0%。结论 基于卷积神经网络模型与ADC图自动判断直肠癌肿瘤T分期相比人工分期提高了准确性与效率。     

基于神经网络优化模型的中药复方安慰剂配色模拟研究

目的 构建粒子群反向传播(Particle swarm optimization-back propagation, PSO-BP)神经网络对中药复方颗粒剂安慰剂制备着色剂的用量进行预测,为中药复方颗粒剂安慰剂颜色的模拟提供一种新思路。方法 运用BP神经网络建立样品颜色参数L、a~*、b~*与色素质量分数的模型,利用粒子群算法的全局搜索能力优化BP神经网络权重和偏置,防止模型出现局部最小值,再采用线性降低权系数法和引入变异算子提高粒子群算法的全局寻优能力;以颜色综合评价指标(ΔE)为客观评价标准,验证试验结果。结果 训练结果表明,改进的PSO-BP神经网络拟合精度最高达到98.31%;预测结果表明,改进的PSO-BP神经网络的预测误差最小,平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均色差(ΔE)分别为0.411 5、2.164 6、2.56;制备3种颗粒的验证样品进行验证,验证样品与模型药物的ΔE分别为1.73、2.63、4.11,肉眼直观评价其中两组与模型药物色差较小。结论 基于改进粒子群优化算法的BP神经网络可模拟中药复方颗粒剂安慰剂制备着色剂用量预测,可作为安慰剂...     

三维ResNet 网络预测肺腺癌结节亚型的效能及其 稳定性

目的:探究ResNet模型对肺腺癌不同亚型结节的分类表现及稳定性。方法:回顾性收集2014 年2 月—2020 年10 月期 间的364 例肺腺癌结节CT 影像数据,以7∶3 的比例分为训练集和内部测试集,将2020 年4 月到2020 年11 月的58 例结节数 据作为外部测试集。使用基于ResNet的三维卷积神经网络在训练集中进行训练以及调参,并使用内部测试集和外部测试集对 模型的准确性及泛化性进行评估。使用随机中心移动和掩膜处理的方式分别以内部测试集和外部测试集为基础构造新的测试 集,新数据集对模型进行测试验证模型的稳定性。结果:模型在内部测试集AUC 为0.949 1（95%CI:0.910 8～0.987 4）,模型在随 机中心移动以及掩膜处理之后的数据集的AUC 值分别为0.940 4 和0.918 1, 与其差异无统计学意义（P 值分别为0.425 3 和 0.239 3）。在外部测试集中模型AUC 为0.959 6（95%CI:0.901 2～1.000 0）,在用于稳定性测试的随机中心移动以及掩膜处理之 后的数据集中,模型所得AUC 分别为0.948 5和0.947 3,与其同样差异无统计学意义（均P>0.05）。结论:ResNet 模型对肺腺癌 结节亚型有优异的鉴别能力,并且具有一定稳定性。     

神经网络预测股骨颈骨折术后并发症的价值

目的应用神经网络建立股骨颈骨折术后股骨头坏死预测模型,并与Logistic回归预测模型进行比较,探讨其临床应用价值。方法收集了2013年3月—2017年1月在上海市3家医院行内固定治疗的378例新鲜股骨颈骨折患者,按4：1划分为训练集和测试集,使用SPSS 20.0分别建立Logistic回归模型、MLP神经网络模型以及RBF神经网络模型,比较3种模型的预测性能。结果多因素分析结果显示,VAS评分、Garden分型、完全负重时间、受伤至手术时长、BMI、术后错位程度、取不取内固定、Charlson合并症指数（Charlson comorbidity index, CCI）均与股骨颈骨折术后股骨头坏死预后相关。MLP神经网络模型训练集和测试集的AUC为0.940、0.923;Logistic回归模型训练集和测试集的AUC为0.850、0.834;RBF神经网络模型训练集和测试集的AUC为0.809、0.788。所有预测变量中,变量重要性排名依次为VAS评分、Garden分型、CCI、BMI、完全负重时间、取不取内固定、受伤至手术时长、术后错位程度。结论MLP神经网络在预测股骨颈骨折术后股骨头坏死方面的预测效能高于Logistic回归,具有较好的应用前景。     

基于BP神经网络的脑血管疾病院内感染风险预测模型研究

目的 采用BP神经网络构建脑血管疾病院内感染预测模型,对患者发生院内感染的风险作出评判,加强脑血管疾病院内感染防控管理.方法 收集整理桂林市中医医院2014年脑病科892例患者院内感染数据,采用主成分分析法选取具有代表性的指标并予以赋值,依指标集构建基于BP神经网络的脑血管疾病院内感染风险评估模型,通过一定数量样本的训练和测试,以检验模型可靠性和准确性.结果 选取200例患者作为样本对神经网络进行测试,未发生院内感染病例预测准确174例,准确率89.2%;发生院内感染病例预测准确5例,准确率100%.结论 BP神经网络风险评估模型对预防脑血管疾病院内感染有着积极的意义,可较好的提前预测院内感染发生风险,为感染防控提供有效的依据.     

基于BP神经网络的阿尔茨海默病预测模型研究

目的：基于阿尔茨海默病患者的日常认知自我报告清单，利用BP神经网络模型构建阿尔茨海默病不同病程的预测分类器，并评估预测分类器的性能。方法：纳入ADNI-GO、ADNI-2、ADNI-3等3个计划阶段的参与者日常认知自我报告清单数据。以7：3的比例划分训练集和测试集，以网格搜索方法设置十折交叉验证确定最佳BP神经网络参数，测试集用于评估模型的泛化能力。结果：ADNI-GO和ADNI-2阶段的模型分类准确率达到90%，而ADNI-3阶段的准确率最低，不到80%，且ADNI-3模型的泛化能力低，存在过拟合问题。结论：利用患者当前日常认知自我报告清单可以准确预测分类患者的病程阶段，有利于患者尽快进一步检查或治疗，具有一定的临床价值。     

基于BP神经网络、随机森林和决策树建立早期慢性乙型病毒性肝炎肝硬化无创诊断模型

目的 探讨BP神经网络模型、随机森林模型和决策树CHAID算法模型对早期慢性乙型病毒性肝炎肝硬化的诊断价值。方法 收集2018年1月至2019年8月在该院住院且行肝组织活检的106例慢性乙型肝炎病毒(HBV)感染者的临床资料,包括人口学、中医四诊资料、生化指标、肝脏硬度值(LSM)及肝组织病理学结果等参数,采用SPSS18.0软件进行非参数检验和χ²检验,经单因素分析,筛选出对早期肝硬化有统计学差异的指标作为自变量,以有无肝硬化作为因变量,分别建立BP神经网络、随机森林和决策树CHAID算法模型,通过计算3个模型的正确率、错误率、混淆矩阵、灵敏度、特异度、约登指数、阳性预测值、阴性预测值、受试者工作特征(ROC)曲线下面积(AUC)值等来评价和比较3种模型的优劣。结果 成功建立了早期慢性乙型病毒性肝炎肝硬化无创诊断模型,在训练组样本和测试组样本中,随机森林算法模型预测正确率(84%,100%)、灵敏度(0.813,1.000)、约登指数(0.701,1.000),ROC AUC(0.896,1.000)均高于BP神经网络算法模型和决策树CHAID算法模型。结论 基...     

基于机器学习的重症股骨颈骨折患者死亡风险预测模型构建和验证

目的采用机器学习方法,构建重症股骨颈患者院内死亡预测模型,辅助临床医生尽早进行临床决策。方法使用公开数据库——重症监护医疗信息市场(Medical Information Mart for Intensive Care, MIMIC)Ⅲ中入住ICU的股骨颈骨折患者信息进行回顾性分析。采用SMOTE算法平衡数据集后,按7：3随机划分训练集和验证集。以患者发生院内死亡作为结局,分别构建随机森林、XGBoost和BP神经网络预测模型。模型性能通过受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUROC)、准确率、精确率、灵敏度和特异度进行评估,并与传统Logistic模型对比验证模型的预测价值。结果共纳入366例股骨颈骨折患者,其中院内死亡48例。按死亡组：生存组=1：1平衡数据集后共获得636例患者数据。3种机器学习模型具有较高的预测准确性,随机森林、XGBoost和BP神经网络的AUC分别为0.98、0,97和0.95,预测性能均高于传统Logistic回归模型。对特征变量重要性进行排序,得到对预测患者院内死亡风险有意义的前10个特征变量为: 维生素D、乳酸脱氢酶、肌酐、SAPSⅡ评分、血清钙、入住ICU时长、白细胞、年龄、BMI和肌酸激酶。结论使用机器学习构建的死亡风险评估模型对预测重症患者的院内死亡有着积极的意义,并为减少院内死亡,改善患者预后提供有效的依据。     

基于BP神经网络和支持向量机的荨麻疹证候分类探讨

从知网、万方、维普等数据库中收集临床中医治疗荨麻疹有效的案例资料,基于BP神经网络和支持向量机模型探讨构建荨麻疹证候分类模型,并比较分析两种证候分类模型的精确度。结果显示,BP神经网络证候分类模型测试的准确率为83.13%,支持向量机证候分类模型测试准确率为92.3%,支持向量机证候分类模型的精确度高于BP神经网络证候分类模型。提示利用BP神经网络与支持向量机分类器进行荨麻疹证候分类均可取得较好的结果。但因本研究尚处在理论模型探讨阶段,故其准确度仍需更大的样本量及智能优化算法等以进一步提高。     

BP神经网络与Logistic回归分度诊断模型效能的比较研究

目的以子痫前期分度为例,比较反向传播(BP)神经网络模型与传统Logistic回归模型在复杂性疾病中的拟合效果及诊断效能。方法 2008年1月至2013年12月中山大学附属第一医院孕妇区收治的145例符合子痫前期诊断标准及实验入选标准的患者,其中轻度87例、重度58例;随机分组后,分成127例训练集和18例测试集以建立妊娠晚期子痫前期分度诊断的Logistic回归模型及BP神经网络诊断模型,并对模型的诊断效能进行比较,探讨子痫前期孕前和孕期高危因素。结果入选模型的变量有妊娠早期纤维蛋白原(Fbg)、血小板计数(PLT)、平均血小板体积(MPV)以及妊娠晚期尿蛋白;训练集中BP神经网络模型的一致率为80.30%,灵敏度为74.50%,特异度为84.21%,均高于Logistic回归模型的74.80%、58.82%、82.89%,且差异均有统计学意义(P0.05)。BP神经网络模型的ROC曲线下面积为(0.887±0.029),大于Logistic回归模型的(0.823±0.036);在最佳诊断值界值的BP神经网络Youden index为67.0%,仍高于Logistic回归模型的54.1%,差异均有统计学意义(P0.05)。结论 BP神经网络模型在妊娠晚期子痫前期分度中的拟合效果优于Logistic回归,更适合用于复杂性疾病多因素分析的研究;妊娠早期Fbg、PLT、MPV以及妊娠晚期尿蛋白与妊娠晚期子痫前期分度有关。     

遗传算法优化BP神经网络的老年痴呆症智能诊断

为了提高BP神经网络对疾病诊断的效率和预测准确率,提出一种遗传算法优化BP神经网络的老年痴呆症智能诊断模型,并以医院电子病历数据挖掘为例,对老年痴呆症诊断建立预测模型。该方法首先利用遗传算法的搜索寻优技术进行特征约简,然后将约简后的特征作为BP神经网络的输入变量,训练和构建BP神经网络模型。仿真实验在Matlab软件平台上进行,结果表明：与单BP神经网络相比,遗传算法优化BP神经网络能够降低模型训练时间、提高预测精度,是一种切实可行的老年痴呆症辅助诊断方法。     

基于Levenberg-Marquardt算法的胃脘痛BP神经网络辨证模型研究

目的:本文提出了一种基于Levenberg-Marquardt算法的用于胃脘痛的BP神经网络辨证模型,用于提高胃脘痛智能辨证的准确率。方法:以"中医数字化诊疗平台"的门诊临床电子病历数据作为数据集,采用Matlab作为模型仿真平台,运用Levenberg-Marquardt算法构建了胃脘痛中医智能辨证的双隐含层BP神经网络模型。结果:实验结果显示,网络模型预测"肝胃不和"和"胃阳虚"的证型准确率和诊断准确率非常高,都在95%以上。结论:该智能辨证模型能有效利用BP神经网络的自主学习能力,充分逼近中医辨证的真实面貌,表现出优秀的辨证预测能力。而且,每天在"中医数字化诊疗平台"中都有新的中医临床真实数据上传,若利用这些数据完善该智能辨证模型,有望推动中医智能辨证在中医临床辅助诊断中大规模应用。     

优化的概率神经网络对基于介电常数的肺癌及其周围正常组织的鉴别

目的 提出一种基于介电常数,模拟退火算法优化的概率神经网络（SA-PNN）分类鉴别方法,用于肺癌及其周围正常组织的鉴别。方法 基于开端同轴探头测量得到的肺肿瘤及其周围正常组织的介电常数,利用Statistical Dependency（SD）算法进行频率筛选,将筛选得到的频率点下的介电常数作为特征变量,使用SA-PNN进行分类鉴别。结果 经过SD算法最终筛选出3个频率点,分别为984、2724、2723 MHz,将这3个频率点下的介电常数作为特征变量,利用SA-PNN对200例样本数据进行鉴别,通过10折交叉验证,最终鉴别准确率为92.50%,灵敏度为90.65%,特异性为94.62%。结论 SA-PNN方法与传统的概率神经网络、BP神经网络、RBF神经网络以及MATLAB中的Classify判别分析函数相比,基于介电常数,SA-PNN方法对肺癌及其周围正常组织进行鉴别具有更高的准确率、灵敏度及其特异性。     

基于麻雀搜索算法优化的BP神经网络模型对2型糖尿病肾病的预测研究

背景 糖尿病肾病（DN）是糖尿病常见的微血管并发症之一，发病率高，危害性大。早期发现DN对预防相关疾病非常重要。目前大多研究基于传统的统计预测方法，数据需满足其所要求的前提假设条件。近年来已无法很好满足其在DN预测领域的需求，有必要尝试开展机器学习等新方法在DN预测领域的应用。目的 利用LASSO回归和麻雀搜索算法（SSA）优化的BP神经网络（SSA-BP神经网络）构建DN预测模型。方法 本研究时间为2023年4—8月，数据来源于公开的伊朗133例糖尿病患者的并发症数据。采用SPSS 26.0软件进行单因素分析，采用LASSO回归筛选变量。以是否患DN为因变量，分别用8∶2和7∶3的比例划分训练集和测试集，使用SSA-BP神经网络进行建模与分析，并与经典的机器学习模型对比预测性能以分析较优的DN模型。基于准确率、精确率、灵敏度、特异度、F1-score和受试者工作特征曲线下面积（AUC）指标进行模型评价。结果 剔除9例1型糖尿病患者，本研究纳入的有效样本量为124例2型糖尿病（T2DM）患者，其中73例（58.9%）被诊断为DN患者。单因素分析显示年龄、BMI、糖尿病持续时间、空腹血糖...     

基于logistic回归的关节置换术患者术后睡眠障碍风险预测模型构建研究

目的 使用logistic回归构建适合于关节置换术患者术后睡眠障碍（postoperative sleep disturbance, PSD）的风险预测模型。方法 回顾性收集四川省成都市某三甲医院2017年1月1日–2021年9月30日行关节置换术的4 286例患者资料,其中3 001例作为训练集,1 285例作为测试集,在Matlab中使用逻辑回归算法筛选预测因子建模,采用列线图展示术后睡眠障碍预测风险。使用受试者工作特征曲线下面积（area under the curve, AUC）、准确率、精度、召回率、F1值和校准曲线进行模型效果评价。结果 本研究最终纳入入院后术前是否睡眠障碍、病房类型、体质量指数、是否吸烟、疾病范围、关节活动度（屈曲）、关节活动度（伸）、术前末次血红蛋白以及手术类型等9个预测因子进入模型构建。预测模型的AUC值为0.708(95%置信区间：0.677～0.740),准确率为75.20%,精度为65.80%,召回率为43.70%,F1值为0.525,校准曲线显示预测概率与实际一致性较好。结论 本研究构建的模型预测效能良好,且列线图简便易操作,医护人员可根据预测...     

机器学习算法对证候要素"气虚"辅助诊断的性能评估

目的 通过对比评估5个模型的性能,优选证候要素"气虚"的辅助诊断模型.方法 从前期构建的证候要素-症状数据表中筛选与"气虚"有关的症状后,依据特征筛选出排序前15的症状.按照7∶3划分训练集和测试集,并进行重新采样.分别以最佳参数构建5个机器学习模型(CART决策树、随机森林、K近邻、BP神经网络和支持向量机),以ROC曲线下面积(AUC)值、敏感度和特异度作为模型评价指标.结果 15个关键症状包括疲乏,舌淡,神疲,脉弱,气短,自汗,食欲不振,脉细弱,懒言,苔白,便溏,苔薄,心悸,头晕,脉虚.基于随机森林算法构建模型的分类效果最好,AUC值达到0.923.结论 在5个模型中,随机森林算法更加适用于构建证候要素"气虚"的辅助诊断模型.     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。