心脏病学中的人工神经网络:数值和文本数据的分析
机构名称:
¥ 1.0

医疗方法、设备和仪器的密集发展使得检测疾病的新指标(标记物)成为可能[1–3],从而提高了诊断质量,这对于心血管疾病(CVD)尤其重要[4–6]在工业中心。然而,诊断特征数量的增加意味着处理时间的增加和医生系统化过程的复杂化,因为临床数据通常是零散的,既可以以定量指标的形式呈现,也可以以图像和文本数据的形式呈现。通过引入风险量表可以部分解决这一问题,心脏病学和心脏外科领域的典型例子有SCORE、TIMI、CRUSADE、GRACE等。 [7, 8]。尽管这种方法已被证明具有很高的效率,但这些秤有一个明显的初始缺点——人为限制了半自动计数所必需的构造参数[9]。此外,量表在与用于创建或验证该工具的人群相似的人群中表现相当良好,这可能会导致其他人群的估计出现严重偏差[9]。值得注意的是,患者的医疗检查、病史和体格检查会形成大量数据,这些数据可能有助于预测结果、做出诊断和确定在扩展方法中通常不会考虑到的风险。因此,

心脏病学中的人工神经网络:数值和文本数据的分析

心脏病学中的人工神经网络:数值和文本数据的分析PDF文件第1页

心脏病学中的人工神经网络:数值和文本数据的分析PDF文件第2页

心脏病学中的人工神经网络:数值和文本数据的分析PDF文件第3页

心脏病学中的人工神经网络:数值和文本数据的分析PDF文件第4页

心脏病学中的人工神经网络:数值和文本数据的分析PDF文件第5页

相关文件推荐

人工知能(AI)
2022 年
¥1.0
神经网络
2024 年
¥12.0