XiaoMi-AI文件搜索系统
World File Search System重预测
根据公共数据，适用于巴西的早产和出生体重预测的机器学习方法。
机器学习工具（AM）的日益增长的使用，或更普遍的人工智能技术影响了各个知识领域。使用这些工具的主要挑战之一是模型培训的数据可用性。这个问题在健康中更加相关，因为有许多敏感或私人数据需要特定护理来传播。作为缓解此问题的一种方法，Datasus（统一的卫生系统计算机部门）提供了大量的公共数据，可以使用机器学习的培训和测试。Datasus提供的基础之一是生活出生信息系统（Sinasc），该系统汇集了有关整个国家领土上出生的流行病学信息。在这项工作中，Sinasts数据库将用于评估机器学习方法的生存能力和准确性，以预测巴西早产和低出生体重。这种变量是新生儿健康的决定因素，并且与新生儿ICU等高健康服务成本密切相关[1]。因此，AM方法可用于预测/预防特定案例和制定公共卫生政策[2]。
DTI-MLCD：使用多重预测药物-靶标相互作用...
识别药物-靶标相互作用 (DTI) 是药物发现和药物重新定位的重要步骤。为了降低实验成本，已经提出了大量用于此任务的计算方法。已经开发了基于机器学习的模型，尤其是二元分类模型来预测药物-靶标对是否相互作用。然而，当前方法的性能仍有很大改进空间。多标签学习可以克服单标签学习带来的一些困难，从而提高预测性能。多标签学习面临的关键挑战是指数级的输出空间，考虑标签相关性有助于克服这一挑战。在本文中，我们通过引入用于 DTI 预测的社区检测方法（称为 DTI-MLCD）来促进多标签分类。此外，我们更新了黄金标准数据集，在该数据集的基础上添加了 15,000 个以上的 DTI 正样本，该数据集自 2008 年以来已被大多数先前发布的 DTI 预测方法广泛使用。所提出的 DTI-MLCD 应用于这两个数据集，证明了它优于其他机器学习方法和几种现有方法。本研究的数据集和源代码可在 https://github.com/a96123155/DTI-MLCD 上免费获取。