XiaoMi-AI文件搜索系统
World File Search System特征曲线
使用机器学习技术通过方法进行早期糖尿病预测
机器学习技术的利用。为了实现这一目标，将从各种个人组中收集一个由相关的健康参数和临床测量组成的综合数据集。收集的数据将经历严格的预处理阶段，包括数据清洁，特征选择和标准化，以确保其质量和适合分析性。随后，将将一系列机器学习技术（例如逻辑回归，决策树和支持向量机器）应用于预处理数据，以开发研究或预测模型。将使用适当的评估指标进行评估这些模型的性能，例如，通过遵循这种方法，可以在接收器操作特征曲线下的准确性，灵敏度，特异性和面积[25]来评估，可以在这种方法中获得有关糖尿病的早期检测和预测，
机器学习在区分神经胶质瘤和原发性神经胶质瘤中的应用...
缩写：AI = 人工智能；AUC = 受试者工作特征曲线下面积；CNN = 卷积神经网络；ML = 机器学习；PCNSL = 原发性中枢神经系统淋巴瘤；PRISMA = 系统评价和荟萃分析的首选报告项目；PROBAST = 预测模型研究偏倚风险评估工具；TRIPOD = 个体预后或诊断的多变量预测模型的透明报告 胶质瘤是中枢神经系统最常见的原发性恶性肿瘤。1 胶质瘤的一个重要的鉴别诊断是原发性中枢神经系统淋巴瘤 (PCNSL)，这是一种较少见但恶性程度极高的肿瘤。2 正确区分这些肿瘤实体对临床医生来说是一项重要的挑战，因为 2021 年 7 月 26 日收到；2022 年 1 月 31 日修订后接受。
胸部MRI图像的定量分析，用于良性恶性诊断肺固体结节
方法：招募了总共333例肺结核（训练队列中的233例，在验证队列中为100例）。从MRI图像（CE T1W和T2W）中提取了总共2,824个放射线特征。逻辑回归（LR），幼稚的贝叶斯（NB），支持向量机（SVM），随机森林（RF）和极端梯度提升（XGBOOST）分类器用于构建预测模型，并在应用最佳预测模型后为每个患者获得了放射线学分数（RAD分数）。临床因素和RAD分数共同基于多元逻辑回归分析构建了一个nom图模型，并使用接收器操作特征曲线（AUC）下的区域评估了五个预测模型的诊断性能。
针对2型糖尿病的中年患者的糖尿病性视网膜病风险预测模型的开发和验证
方法：这项回顾性研究筛选了931例T2DM患者在2011 - 2018年全国健康和营养检查调查数据库中30至59岁之间。开发小组包括2011 - 2016年调查的704名参与者，验证小组包括2017-2018调查的227名参与者。最低绝对收缩和选择操作器回归模型用于确定最佳预测变量。逻辑回归分析构建了三个模型：完整模型，多个分数多项式（MFP）模型和逐步（stepaic）选定的模型。然后，我们根据接收器操作特征曲线（ROC）决定了最佳模型。ROC，校准曲线，Hosmer-Lemeshow检验和决策曲线分析（DCA）用于验证和评估模型。还构建了一个在线动态列出预测工具。
基于事件相关电位检测的脑机接口训练后量化
摘要 — 训练后量化 (PTQ) 是一种用于优化和减少机器学习模型的内存占用和计算要求的技术。它主要用于神经网络。对于完全可移植且可在各种情况下使用的脑机接口 (BCI)，有必要提供存储和计算量轻量级的方法。在本文中，我们提出对脑机接口中最先进的方法进行训练后量化的评估，并评估其对准确性的影响。我们评估了代表一个主要 BCI 范式的事件相关电位单次检测的性能。当在空间滤波器和分类器上应用 PTQ 时，受试者工作特征曲线下面积从 0.861 下降到 0.825，同时将模型的大小减少了约 × 15。结果支持以下结论：PTQ 可以显着减少模型的内存占用，同时保持大致相同的准确度。
人工智能利用数字图像筛查新冠肺炎患者：荟萃分析
荟萃分析共纳入 16 项研究，共涉及 5896 张 COVID-19 患者的胸部图像。DL 模型在检测 COVID-19 方面的汇总灵敏度和特异性分别为 0.95（95% CI 0.94-0.95）和 0.96（95% CI 0.96-0.97），受试者工作特征曲线下面积为 0.98。阳性可能性、阴性可能性和诊断优势比分别为 19.02（95% CI 12.83-28.19）、0.06（95% CI 0.04-0.10）和 368.07（95% CI 162.30-834.75）。区分其他类型肺炎与 COVID-19 的汇总灵敏度和特异性分别为 0.93（95% CI 0.92-0.94）和 0.95（95% CI 0.94-0.95）。放射科医生检测 COVID-19 的表现低于 DL 模型；然而，当初级放射科医生使用基于 DL 的预测工具时，他们的表现有所提高。
心脏瓣膜手术后急性肾损伤预测模型的开发与验证
方法：我们的回顾性研究在 2023 年 2 月至 8 月期间招募了 497 名接受心脏瓣膜手术的成年患者作为衍生队列。获取患者的人口统计学信息，包括病史和围手术期临床信息，并根据肾脏疾病：改善全球预后 (KDIGO) 指南将患者分为 AKI 和非 AKI 两个队列之一。使用二元逻辑逐步回归分析，我们确定了心脏瓣膜手术后的独立 AKI 风险因素。最后，我们构建了一个列线图并在由 200 名患者组成的验证队列中进行外部验证。根据受试者工作特征曲线下面积 (AUC)、校准曲线和决策曲线分析 (DCA) 评估列线图的性能。
基于机器学习的风险预测模型，以预测免疫异常的孕妇流产
方法：通过电子病历（EMR）收集了出现在四川省人民医院的免疫临床妊娠患者。数据分为训练集，测试集分别为8：2。进行了比较，以评估用于临床应用的传统怀孕风险评估工具的性能。该分析涉及评估临床治疗的成本效益，评估模型的性能并确定其经济价值。数据采样方法，特征筛选和机器学习算法用于开发预测模型。这些模型使用训练集的10倍交叉验证对这些模型进行了验证，并使用boottrapping进行了测试集的外部验证。模型性能由特征曲线（AUC）下的区域评估。基于最佳参数，开发了流产风险的预测模型，并使用Shapley添加剂扩展（SHAP）方法来评估最佳模型特征贡献。
机器学习利用入院时的数据预测创伤性脑损伤后的三种结果：一项开发和验证的多中心研究
摘要 准确识别可从有希望的治疗方法中受益的患者非常困难，这使得证明创伤性脑损伤 (TBI) 新疗法的有效性变得具有挑战性。尽管机器学习越来越多地应用于这项任务，但现有的二元结果预测模型不足以对 TBI 患者进行有效分层。本研究的目的是开发一个准确的三类结果预测模型，以便对患者进行适当的分层。为此，使用自 2018 年 1 月以来日本六家医院收治的 1200 名钝性 TBI 患者（每家机构 200 例连续病例）的回顾性平衡数据进行模型训练和验证。我们纳入了在急诊科获得的 21 个预测因子，包括年龄、性别、六项临床发现、四个实验室参数、八个计算机断层扫描结果和一项紧急开颅手术。我们开发了两种机器学习模型（XGBoost 和密集神经网络）和逻辑回归模型，以根据出院时的格拉斯哥预后量表扩展版 (GOSE) 预测三类结果。使用 n = 1000 的训练数据集开发预测模型，并使用引导法在验证数据集（n = 80）和测试数据集（n = 120）上进行两轮验证，评估其预测性能。在总共 1200 名患者中，患者年龄中位数为 71 岁，199 名（16.7%）患有严重 TBI，104 名患者（8.7%）接受了紧急开颅手术。住院时间中位数为 13.0 天。三级结果为 709 例患者（59.1%）恢复良好/中度残疾，416 例患者（34.7%）严重残疾/植物状态，75 例患者（6.2%）死亡。XGBoost 模型在最终验证中表现良好，灵敏度为 69.5%，准确率为 82.5%，受试者工作特征曲线下面积为 0.901。在受试者工作特征曲线分析方面，XGBoost 略胜于基于神经网络和逻辑回归的模型。特别是，XGBoost