XiaoMi-AI文件搜索系统
World File Search SystemAuroc
dominic.pdf - Yaser S. Abu-Mostafa
基于超声心动图的 RAP 分类模型的结果基于 1,582 次扫描的完整测试数据集进行评估。绿色框表示正确预测，红色框表示严重假阴性 (SFN) 预测，橙色框表示严重假阳性 (SFP) 预测。SFN 率表示心脏病专家将其归类为 15 毫米汞柱的患者中模型将其归类为 3 毫米汞柱的百分比，SFP 表示相反的误差。总体准确度、AUROC 和 F 1 值是根据数据集中该类的频率计算的加权平均值。括号中的值表示 95% 置信边界。
XSL•fo
背景：心脏骤停（CA）是重症患者死亡的主要原因。临床研究表明，对CA的早期鉴定会降低死亡率。算法能够使用多元时间序列数据来预测具有高灵敏度的Ca。但是，这些算法遭受了很高的错误警报率，它们的结果在临床上不可解释。目标：我们使用多分辨率统计特征和基于余弦相似性的特征提出了一种集成方法，以及时预测Ca。此外，这种方法提供了临床上可解释的结果，临床医生可以采用这些结果。方法：使用来自“重症监护IV数据库”和EICU协作研究数据库的医学信息MART的数据回顾性分析患者。基于被诊断为心力衰竭的成年人的24小时时间窗口的多元生命体征，我们提取了基于多解决的统计和基于余弦相似性的特征。这些功能用于构建和发展梯度提升决策树。因此，我们采用了对成本敏感的学习作为解决方案。然后，进行了10倍的交叉验证以检查模型性能的一致性，并使用Shapley添加说明算法来捕获所提出模型的整体可解释性。接下来，使用EICU协作研究数据库进行了外部验证以检查概括能力。根据CA的及时预测，提出的模型达到了高于0.80的AUROC，以预测提前6小时的CA事件。结果：所提出的方法在接收器工作特性曲线（AUROC）下产生了0.86的总面积，并且在Precision-Recall曲线（AUPRC）下为0.58。所提出的方法同时提高了精度和灵敏度以增加AUPRC，从而减少了错误警报的数量，同时保持了高灵敏度。此结果表明所提出的模型的预测性能优于先前研究中报告的模型的性能。接下来，我们证明了特征重要性对所提出方法的临床解释性的影响，并推断了非CA和CA组之间的影响。最后，使用EICU协作研究数据库进行了外部验证，并且在一般重症监护病房的人群中获得了0.74的AUROC，AUPRC为0.44。结论：拟议的框架可以为临床医生提供更准确的CA预测结果，并通过内部和外部验证降低错误警报率。此外，临床上可解释的预测结果可以促进临床医生的理解。此外，生命体征变化的相似性可以为患有心力衰竭相关诊断患者的CA预测的时间模式变化提供见解。因此，我们的系统足以适合常规临床使用。此外，关于拟议的CA预测系统，在未来的数字健康领域开发了临床成熟的应用程序。
limma：微阵列和奥米斯数据的线性模型
01 Thin产品。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 02.类。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>7 03.ReadingData。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>8 04.background。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9 05.正常化。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>10 06. laldal模型。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>11 07.周年纪念日。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>13 08.Thests。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>14 09. Inagnostics。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>1510。10NES的商品。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>16 11.rrtaseq。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>17个别名2S符号。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。18 Anova.Malist-Method。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20个阵列。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21阵列压力。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23 as.data.frame。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 as.malist。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。25 as.matrix。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>26 asmatrixWeights。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>27 AUROC。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 28 avearrays。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>27 AUROC。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>28 avearrays。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。29个avedups。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30平均。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31背景纠正。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>32条条形码图。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>34个Beadcountweights。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>38个块诊断。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>38个块诊断。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>40 BWSS。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>41 bwss.matrix。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>42相机。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>42相机。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>43 cbine。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>46 ChangElog。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>47 Chooslelowssesspan。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>48 classifyTestsf。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>49对比。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>51对比。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>52控制状态。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>54酷地图。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>55 cumoverlap。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>57个deciDSests。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>58 div>
Chemprint：一个用于增强药物发现的AI驱动框架
摘要：传统的高通量筛查（HTS）药物发现效率低下。具有临床治疗潜力的化合物的命中率通常为0.5％，最大最高为2％。深度学习模型使筛查率丰富至28％；但是，这些结果包括具有非治疗性相关浓度的命中，其训练集的新颖性不足以及化学空间有限。这项研究介绍了一种新颖的人工智能（AI）驱动的平台，伽利略和分子几何深度学习（Mol-GDL）模型，Chemprint。该模型部署了两个T分配的随机邻居嵌入（T-SNE）数据分裂，以在训练和适应性分子嵌入过程中最大化化学差异，以增强预测能力并导航未知的分子领土。进行回顾性测试时，Chemprint的表现优于五个模型的小组，用于难以放药肿瘤学目标，AXL和BRD4，AXL的AUROC平均得分为0.897，BRD4的AUROC得分为0.876，使用T-SNE分配的BRD4为0.826至0.826至0.885的基准分型，而T-SNE分开的平均得分为0.885。在一项零照片的前瞻性研究中，体外测试表明，通过针对AXL和BRD4提名的41种化合物中有19种在浓度≤20µm时表现出抑制活性，命中率为46％。19次命中报告的平均最高tanimoto相似性得分为0.36，相对于其训练组，得分为0.13（AXL）和0.10（BRD4），相对于这些目标的临床阶段化合物。这会导致以低治疗浓度和高化学新颖性的高命中率发现化合物文库。我们的发现表明，通过训练和测试具有最大差异性的训练和测试化学印记增加了测试的难度增强了模型的预测能力。综上所述，提议的平台设定了新的性能标准。
通过可解释的人工智能解释中风受损的肌电图模式
摘要：肌电图 (EMG) 在识别缺血性中风引起的神经肌肉改变方面具有宝贵的肌电表现，可作为诊断缺血引起的步态障碍的潜在标记。本研究旨在开发一个可解释的机器学习 (ML) 框架，通过可解释的人工智能 (XAI) 技术区分中风患者和健康个体的肌电模式。该研究包括 48 名在康复中心接受治疗的中风患者（平均年龄 70.6 岁，65% 为男性），以及 75 名健康成年人（平均年龄 76.3 岁，32% 为男性）作为对照组。在步态实验室的室内地面行走期间，从放置在双下肢股二头肌和外侧腓肠肌上的可穿戴设备记录 EMG 信号。我们部署了 Boosting ML 技术，利用 EMG 步态特征识别中风相关的步态障碍。此外，我们还采用了 XAI 技术，例如 Shapley 加法解释 (SHAP)、局部可解释模型不可知解释 (LIME) 和 Anchors，以解释 EMG 变量在中风预测模型中的作用。在评估的 ML 模型中，GBoost 模型在与训练数据集进行交叉验证时表现出最高的分类性能 (AUROC：0.94)，并且在使用测试 EMG 数据集进行评估时也表现出色 (AUROC：0.92，准确率：85.26%)。通过 SHAP 和 LIME 分析，研究发现有助于区分中风组和对照组的 EMG 频谱特征与右侧股二头肌和外侧腓肠肌有关。这种可解释的基于 EMG 的中风预测模型有望成为预测中风后步态障碍的客观工具。它的潜在应用可以通过提供可靠的 EMG 生物标志物极大地帮助管理中风后康复，并解决缺血性中风患者的潜在步态障碍。
通过引导模拟和塑造添加说明
机器学习方法在医疗领域广泛使用。但是，这些模型的可靠性和功效很难评估，这使得研究人员难以确定哪种机器学习模型适用于其数据集。我们评估了模型指标（例如AUROC，灵敏度，特异性）的方差计算是否通过自举仿真和外形加性解释（SHAP）可以提高模型透明度并改善模型选择。使用了英格兰国家健康服务心脏病预测队列的数据。在比较了XGBoost，随机森林，人工神经网络和自适应增强的模型指标之后，本研究中使用XGBoost作为选择的机器学习模型。BOOST-STRAP模拟（n = 10,000）用于从经验上得出模型指标的分布和协变量增益统计。整体添加说明（SHAP），以提供机器学习输出和仿真的解释，以评估模型精度的差异。对于Xgboost建模方法，我们观察到（通过10,000个完成的模拟），AUROC的范围为0.771至0.947，差异为0.176，平衡精度为0.688到0.688到0.894，敏感性差异为0.632差异为0.632差异0.632到0.3920差异0.932差异0.30777939，均为0.939，均为0.939，均为0.939，均为0.939，均为0.939，均为0.939，均为0.939，范围差0.944，0.394差异。使用仿真来凭经验评估模型指标和解释算法的可变性，以观察协变量是否与文献相匹配，这对于提高了运输，可靠性和机器学习方法的实用性是必需的。在完成的10,000个模拟中，我们观察到，胆固醇的胆固醇的增益范围从0.225到0.225到0.456，差异为0.231，差异为0.148范围为0.148至0.178，最大心率（MAXHR）的差异为0.178，范围为0.081至0.200，范围为0.200，范围为0。 0.098。这些差异统计数据，结合模型精度统计数据可以帮助研究人员确定给定数据集的最佳模型。
基于机器学习的预测未计划的重新入学，这是由于主要不利
MACHINE LEARNING ALGORITHM • Training set: HCUP data from 2017 to 2018 • Test set: HCUP data in 2019 • Algorithm: Tree-based gradient boost framework (LightGBM) • Feature selection: L1 penalty • Hyperparameter tuning: Learning rate, number of leaves, minimum sum of instance weight (Hessian), frequency of subsample, subsample ratio of columns, L1 penalty, and the scale of positive and negative weight.•首先对超参数进行筛选，并使用贝叶斯搜索进行优化。•不平衡分类：成本敏感的学习•交叉验证：5倍分层的交叉验证•阈值：Youden的J统计量•分类性能指标：平衡精度； F2分数；接收器操作曲线（AUROC）下方； Precision-Recall曲线（AUPRC）下的区域
评估机器学习算法以预测医学专业选择
摘要。公平分配专业的医生是一个重大的公共卫生挑战。以前的研究主要依靠经典的统计模型来估计影响医学生职业选择的因素，但本研究探讨了机器学习技术在研究早期预测决策的使用。我们使用来自瑞士和法国医学院的399名医学院的399名医学生的数据评估了各种监督模型，包括支持向量机，人工神经网络，极端梯度提升（XGBOOST）和CATBOOST。集合方法的表现优于更简单的模型，而Catboost的宏观AUROC为76％。事后解释性方法揭示了影响预测的关键因素，例如成为外科医生的动机和外向性的心理特征。这些发现表明，机器学习可用于预测医疗职业道路并为更好的劳动力计划提供信息。
![arxiv：2501.16346v1 [cs.lg] 2025年1月18日](/simg/g:\will\search\icon\source\1\10c0964b0368b2f7aecdd616acbf1ae8f0dbaacb.webp)
arxiv：2501.16346v1 [cs.lg] 2025年1月18日
抽象功能磁共振成像（fMRI）在任务或休息期间对大脑功能提供了有用的见解。使用相关矩阵代表fMRI数据是分析静止状态和活动状态中大脑固有连接性的一种可靠方法。图形神经网络（GNN）由于其固有的解释能力而被广泛用于大脑网络分析。在这项工作中，我们使用对比度自我监督的学习图变压器引入了一个新颖的框架，并将大脑网络变压器编码器与随机图更改结合在一起。所提出的网络利用对比度学习和图形变化，以有效地训练图形变压器以进行自闭症检测。我们的方法对自闭症脑成像数据交换（ABIDE）数据进行了测试，证明了自闭症检测，其AUROC为82。6和74％的精度超过了当前的最新方法。
机械通风的ICU患者中基于机器学习的医院死亡率的预测
我们开发了一个机器学习（ML）框架，以预测接受MV的ICU患者的医院死亡率。使用MIMIC-III数据库，我们通过ICD-9代码确定了25,202名合格患者。我们采用了向后消除和套索方法，根据临床见解和文献选择了32个功能。数据预处理包括消除超过90％丢失数据的列，并为其余缺失值使用平均插补。为解决阶级失衡，我们使用了合成的少数群体过度采样技术（SMOTE）。我们使用70/30火车 - 策略分开评估了几种ML模型，包括Catboost，XGBOOST，DECOMAL TROED，随机森林，支持向量机（SVM），K-Nearest邻居（KNN）和Logistic回归。在准确性，精度，召回，F1得分，AUROC指标和校准图方面，选择了Catboost模型的出色性能。