机器学习:从多元拟合,神经网络到深度学习
机器学习,或者更大的一个概念,数据科学这个领域中,同样是学了忘忘了学。不可否认,数学是机器学习的一个基石,但是也是无数人,包括笔者学习机器学习的一个高的门槛,毕竟数学差。而在这篇文章中,原作者并没有讲很多的数学方面的东西,而是以一个有趣实用的方式来介绍机器学习。
36大数据 - 机器学习,概念 - 2016-07-12
European Radiology:机器学习模型在腮腺良、恶性肿瘤鉴别中的放射组学分析
放射组学是一个新兴的、有前景的领域,通过高通量提取和挖掘大量的图像特征,对肿瘤类型进行全面的定量分析特征。
MedSci原创 - 机器学习,放射组学,腮腺良恶性肿瘤 - 2022-09-14
European Radiology:基于机器学习模型和临床决策算法的肾囊性病变的风险分层
肾脏囊性病变风险分层的标准放射学标准,即Bosniak分类系统,于1986年引入,旨在将复杂肾脏囊肿的描述标准化,并为区分非手术性和手术性囊性病变提供分类指南。
MedSci原创 - 肾囊肿,机器学习模型 - 2022-06-04
J Gen Intern Med:机器学习模型能准确预测多病患者1年死亡率
2018年6月,发表在《J Gen Intern Med》的一项由美国学者进行的概念验证研究,利用多病患者现有的住院末期电子病历记录数据开发和验证用于预测患者1年死亡率的机器学习模型。
环球医学 - 机器学习模型 - 2018-08-03
SVN|复旦大学团队:开发基于机器学习的心血管疾病 10 年风险预测模型
研究基于 ML 的分类模型可以从潜在的心血管疾病高危人群中学习到表达性的表征,这些人群可能会受益于更早的临床决策。
MedSci原创 - 心血管风险,机器学习模型 - 2024-01-02
CLIN CHEM LAB MED:使用机器学习模型对样本混淆进行高精度且可解释的检测
数据校验(增量检查)广泛用于混合样品检测。由于混淆的绝对发生率的特异性和稀疏性不足,因此增量检查的正预测值(PPV)相当低,因为要在大量错误警报中识别出真正的混淆错误会很费力。
MedSci原创 - 机器学习模型 - 2020-03-19
SVN:华山郁金泰:基于机器学习的模型预测未来10年的心血管疾病风险
基于ML的分类模型可以从潜在的高危CVD参与者中学习表达性的表征,这些参与者可能从早期的临床决策中受益。
MedSci原创 - 心血管病,机器学习模型 - 2023-05-06
Clin Otolaryngol:通过机器学习模型来预测突发性感官听力损失患者的听力结果
最近,有研究人员基于4种SSHL机器学习模型来开发预测模型,从而鉴定最好的模型来用于临床。研究包括了1220名SSHL患者,时间为2008年6月到2015年12月。研究发现,在包括149个变量的原生数据测试中,深度信念网络(DBN)模型具有最好的预测能力,预测准确性为77.58%,AUC为0.84。然
MedSci原创 - 听力损失,机器学习模型,预测 - 2018-02-06
European Radiology:CT机器学习模型在肝硬化静脉曲张出血预后预测方面的价值
研究表明,在大约50%的肝硬化患者中,胃食管静脉曲张是最危险的静脉曲张,有急性出血的风险。
MedSci原创 - 机器学习,肝硬化 - 2024-03-25
JACC:经导管主动脉瓣置换术后院内死亡率的机器学习预测模型
机器学习方法可以生成强大的模型来预测TAVR的院内死亡率。
MedSci原创 - 机器学习,死亡率,经导管主动脉瓣置换术 - 2019-07-22
机器学习:生成COVID-19抗体序列
Lawrence Livermore国家实验室(LLNL)的研究人员通过机器学习已经确定了一套初始的治疗性抗体序列,旨在结合和中和引起COVID-19的病毒(SARS-CoV-2)。
MedSci原创 - 机器学习,Covid-19 - 2020-05-02
JOP:预测晚发败血症和坏死性小肠结肠炎的机器学习模型的开发
人工智能技术可以帮助临床医生在新生儿重症监护中早期检测LOS和NEC,这可能会带来临床和社会经济效益。
MedSci原创 - 坏死性小肠结肠炎,晚发败血症 - 2024-01-11
Google如何用机器学习帮助药物研发?
从在搜索中回答与健康相关的问题,到给开发者提供健身数据平台,Google在我们的日常健康中越来越重要。但其实互联网巨头们也在努力加快研发治愈人类顽疾的关键药物。 同斯坦福大学的Pande Lab合作,Google Research发表了一篇题为“针对药物研发的大规模多任务网络”的文章。该文章描述了如何用不同来源的数据,更好地确定哪种化合物将作为“治疗多种顽疾的有效药物”。 文章本身并没有显示任
雷锋网 - 药物研发,Google - 2015-03-05
临床研究中机器学习分析报告的建议
鉴于复杂临床数据集的可用性不断增加,机器学习 (ML) 在临床研究中的使用正在稳步增长。 机器学习在预测性能和识别具有特定生理学和预后的患者的未发现亚群方面具有重要优势。 尽管很受欢迎,但许多临床医生
Circ Cardiovasc Qual Outcomes . 2020 Oct;13(10):e006556. - 机器学习 - 2023-10-13
为您找到相关结果约500个