XiaoMi-AI文件搜索系统
World File Search System交叉验证
调查长期非...的潜在临床意义
为了确定 LINC00092 诊断 BC 的特异性和敏感性，我们接下来进行了 ROC 曲线分析，并使用 MedCalc 软件计算了 ROC 曲线下面积 (AUC)。为了进一步评估 LINC00092 在诊断 BC 方面的有效性，我们使用 TCGA 数据库通过逻辑回归模型进行了五重交叉验证。逻辑回归模型的性能是根据其精确度、召回率、准确度和 F1 分数来评估的。高精度反映了 LINC00092 预测 BC 的高精度；召回率是指真阳性数除以实际阳性数；准确度定义为所有病例中正确预测结果的比例。选择 F1 分数作为综合评价指标，因为精度和召回率相互影响，并且它们的值不可能同时达到最佳大值。F1 分数是通过对精度和召回率取调和平均值来计算的。
用于在包含非胶质瘤图像的数据集中识别胶质瘤的新型机器学习方法的发展趋势：系统评价
结果：共确定了 11,727 篇候选文章，其中 12 篇文章被纳入最终分析。研究调查了包括神经胶质瘤在内的数据集中正常图像与异常图像的区分（7 篇文章）以及神经胶质瘤图像与非神经胶质瘤或正常图像的区分（5 篇文章）。单一机构数据集最常见（5 篇文章），其次是 BRATS（3 篇文章）。样本量中位数为 280 名患者。算法测试策略包括五倍交叉验证（5 篇文章）和使用同一数据集中的独家图像集进行训练和测试（7 篇文章）。神经网络是最常见的算法类型（10 篇文章）。算法的准确率范围为 0.75 到 1.00（中位数 0.96，10 篇文章）。利用 TRIPOD 标准进行报告质量评估得出的平均单个 TRIPOD 比率为 0.50（标准差 0.14，范围 0.37 至 0.85）。
提高 EEG 可解释性的三个简单步骤...
摘要 机器学习对脑电图 (EEG) 数据进行分类的研究为各种神经和精神疾病的诊断和预后提供了重要视角，但此类系统的临床应用率仍然很低。我们在此提出，将 EEG 机器学习研究转化为临床应用的大部分困难源于其技术报告中的一致不准确性，这严重损害了其通常很高的性能要求的可解释性。以 EEG 研究中使用的一类主要机器学习算法——支持向量机 (SVM) 为例，我们重点介绍了模型开发的三个重要方面（规范化、超参数优化和交叉验证），并表明，虽然这 3 个方面可以成就或破坏系统的性能，但令人震惊的是，绝大多数研究文献中都没有记录它们。对模型开发的这些方面进行更系统的描述构成了三个简单的步骤，以提高 EEG-SVM 研究的可解释性，并最终提高其临床应用。
![arxiv：2108.03891v1 [cs.lg] 2021年8月9日](/simg/a\ab5c6b9f24c174db80cdd30d1204cc0bfb6ff701.webp)
arxiv：2108.03891v1 [cs.lg] 2021年8月9日
ACS的想法是分布每个类的实例数，以便以最低的要求实例达到一定级别的分类性能[2，p。 29]。[10]中介绍的工作（另请参见[9]）提到了不同的技术来确定此类的收购块。首先，Lomasky等。[10]建议使用均匀分布和原始比例（通常不称为基准）。此外，他们在已经看到的块上执行了所谓的f-折叠交叉验证，以将结果用于下一个块：该方法逆向按类准确性的倒数来分配信息。的扩展称为准确性提高。它根据两个最新块之间的准确性差异分配值。重新划分的方法计算了通过在培训集中添加最新的块来添加最新的块，从而计算出已夸张的标签数量（这些实例被标记为重新分配）。在此，即将到来的实例是根据真实类的重新分配实例的数量分发的。
使用机器的ICU患者中败血症死亡率的预测
13方法：本研究使用模仿IV数据库分析重症监护患者的结果，14个重点是成人败血症病例。采用最新的数据提取工具，例如Google Big-15查询，并且按照严格的选择标准，我们在本研究中选择了38个功能。此选择16还通过全面的文献综述和临床专业知识来告知。数据预处理17包括处理丢失值，重组分类变量以及使用合成Mi-18诺元过采样技术（SMOTE）来平衡数据。我们评估了几种机器19学习模型：决策树，梯度提升，XGBOOST，LIGHTGBM，多层观察者20 TRON（MLP），支持向量机（SVM）和随机森林。使用了顺序减半和21个分类（SHAC）算法进行高参数调整，并且使用了火车测试拆分22和交叉验证方法来进行性能和计算效率。23
nnUnetFormer：一种基于 nnUnet 和 Transformer 的多模态 MR 图像脑肿瘤分割自动方法
主要结果：我们通过 5 倍交叉验证在 BraTS 2021 数据集上评估了我们的方法，并取得了优异的性能，Dice 相似系数 (DSC) 为 0.936、0.921 和 0.872，Hausdorff 距离的第 95 百分位数 (HD95) 分别为整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 区域的 3.96、4.57 和 10.45，在平均 DSC 和平均 HD95 方面均优于近期最先进的方法。此外，消融实验表明，将 Transformer 融合到我们改进的 nnUnet 框架中可以提高脑肿瘤分割的性能，尤其是对于 TC 区域。此外，为了验证我们方法的泛化能力，我们进一步在 FeTS 2021 数据集上进行了实验，并在 11 个看不见的机构上取得了令人满意的分割性能，其中 WT、TC 和 ET 区域的 DSC 分别为 0.912、0.872 和 0.759，HD95 分别为 6.16、8.81 和 38.50。
生命科学工程硕士
从CIBM MRI EPFL动物成像和技术部分中，使用扩散磁共振光谱成像Cristina cudalbu博士绘制脑微观结构绘制脑部微观结构。物理/生物工程和神经科学）在超高磁场的扩散加权MR光谱/光谱成像（DMRS/DMRSI）的区域中共同工作，并使用3D脑细胞体和Vivo Rodent模型在代谢物扩散元中的交叉验证。该项目是跨学科协作的SNSF提案的一部分，将利用：1）CIBM MRI EPFL的独特生物成像设施，尤其是超高领域9.4T和14.1T In Vivo MR Systems，Vivo MR Systems，两个低温过程，以及在瑞士领域的PET/MR插入的第一个PET/MR插入，以及3 phits in phitzer and phits phits in phitzer and 2）该项目的博士后。
微处理和机器学习
Sommersester/2025夏季学期，本课程将微观学技术与现代机器学习方法结合在一起，为学生提供高级工具来处理大型数据集并进行严格的因果分析。研讨会分为教学部分和研讨会部分。在教学部分中，学生将参加四个半天的课程。该课程将涵盖基本技术，例如可变选择和交叉验证，以及山脊，套索和弹性网等收缩方法。我们还将探索分类方法，包括Logit和K-Nearest邻居（K-NN）。此外，该课程将解决在因果推理环境中使用许多控件和仪器变量的方法，从而为学生提供工具，以提供更强大的因果关系估计。在第二部分中，学生将撰写有关理论主题的研讨会论文，课程中讨论的方法的应用或其他相关的机器学习方法。Studiiengang：程序：
利用 Shapley 值塑造习惯养成洞察
2 鉴于数据集的不平衡，使用精确度-召回率曲线下面积 (PRAUC) 作为准确度指标 [21]。3 首先，排除观察次数少于 10 次的参与者，以便在 5 倍交叉验证方案中每倍至少有 2 次观察。其次，如果用户的观察结果只对应于一个结果（即，他们总是做这项练习或从不做这项练习），他们也会被排除，因为如果没有两个类别，则多个模型是未定义的。排除后会剩下一组 26 位用户，称为热启动队列。4 使用 5 个外倍，并报告保留倍的平均准确度。对于组倍，超参数在 5 个内倍上进行优化。但是，由于每个参与者可用的数据量很少，因此不会在个体级别模型上执行超参数调整。在这两个层面上，折叠都是随时间随机化的，这样可以减轻由季节影响（例如假期开始）引起的任何偏差。
使用可解释的人工智能发现表征多发性硬化症表型的功能连接特征
图 3 敏感性分析流程示意图，旨在识别 MS 患者表型的大脑 RS FC 的显著变化。输入数据 (a) 以基于协方差的 RS FC 矩阵的形式使用主导集算法 (b) 使用所有矩阵进行聚类（不使用任何交叉验证框架）。得到的聚类代表（测地线质心）用于提取以距质心测地线距离形式呈现的特征。然后使用引导机制训练多个分类器，使我们能够分析与每个特征相关的权重统计数据。(c) 然后使用置换测试来选择一组重要特征，然后使用这些特征来识别和选择 (d) 正确分成几组的样本。(e) 最后，计算每组的测地线均值矩阵，并通过简单地将这些测地线均值矩阵（参考连接组）彼此相减来突出显示突出的连接。