ECG for high-throughput screening of multiple diseases: Proof-of-concept using multi-diagnosis deep learning from population-based datasets
University of Alberta(阿尔伯塔大学);Canadian VIGOUR Centre(加拿大VIGOUR中心);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
心电图(ECG)异常与心血管疾病有关,但也可能发生在其他非心血管疾病,如精神,神经,代谢和感染性疾病。然而,最近在选定患者队列中基于深度学习(DL)的诊断预测的大部分成功仅限于一小部分心脏病。在这项研究中,我们使用了一个基于人群的数据集,该数据集包括> 25万名患者,其中有>1000种医疗状况和> 200万个ECG,以确定可以从患者的第一次住院ECG中准确诊断的各种疾病。我们的DL模型发现了128种疾病和68种疾病类别,具有很强的区分能力。
2022-10-06 cs.LG eess.SP
High-Throughput Detection of Risk Factors to Sudden Cardiac Arrest in Youth Athletes: A Smartwatch-Based Screening Platform
Shady Side Academy;Cranberry-Lemon University(克兰伯里-莱蒙大学);Mount-Sheikh University(谢赫山大学)
本研究提出基于智能手表的综合筛查系统,结合分解回归和Transformer自编码器模型,实现青少年运动员心脏性猝死风险的高通量、低成本筛查,准确率优于临床医生。
2024-12-02 cs.LG eess.SP
Epistemic Throughput: Fundamental Limits of Attention-Constrained Inference
Technical University of Denmark(丹麦技术大学)
本文提出认知吞吐量概念,研究受注意力限制的推断基本限制,揭示了信息杠杆与筛选质量的关系。
2026-02-12 cs.IT cs.LG math.IT
High-Throughput Computational Screening and Interpretable Machine Learning of Metal-organic Frameworks for Iodine Capture
School of Instrumentation Science and Opto-electronics Engineering, Beihang University(北京航空航天大学仪器科学与光电工程学院);City University of Hong Kong(香港城市大学)
本研究结合高通量计算与机器学习,筛选了1816种MOF材料并预测其碘吸附性能,通过特征重要性分析与分子指纹揭示了影响吸附的关键化学与结构因素,为先进MOF材料的设计提供指导。
2025-02-14 cond-mat.mtrl-sci cs.AI cs.LG
Chemical filters for ultra-high-throughput materials screening and generation
Department of Materials, Imperial College London(帝国理工学院材料系)
研究针对AI生成材料成分不合理问题,引入化学有效性算子,基于SMACT包构建氧化态模型,通过可调阈值支持不同工作流程。经基准测试,该算子能过滤不合理成分,还可作强化学习奖励,为氧化态感知生成模型奠定基础。
2026-07-21 cond-mat.mtrl-sci cs.AI cs.LG
Safe and Efficient Screening For Sparse Support Vector Machine
筛选是一种有效的技术,通过删除保证不活动的过程中的功能,以加快稀疏学习模型的训练过程。提出了一种基于变分不等式的稀疏支持向量机的有效筛选方法。该技术既有效又安全。
2013-10-30 cs.LG stat.ML
Crowd-Machine Collaboration for Item Screening
University of Trento(特伦托大学);Tomsk Polytechnic University(托木斯克理工大学);UNSW(新南威尔士大学)
在本文中,我们描述了人群和机器分类器可以有效地结合起来,以筛选满足一组谓词的项目。我们表明,这是一个经常出现的问题,在许多领域,目前的机器-人(混合)算法,有效地筛选项目,并估计增益超过人类或机器只筛选的性能和成本。
2018-03-21 cs.HC cs.LG
Predicting Participation in Cancer Screening Programs with Machine Learning
Gyeonggi Suwon International School(京畿水原国际学校)
在本文中,我们提出了机器学习模型的基础上,随机森林分类器,支持向量机,梯度提升决策树,人工神经网络预测参与癌症筛查计划在韩国。表现最好的模型是基于梯度提升决策树,并实现了0.8706的受试者工作特征曲线下面积(AUC-ROC)和0.8776的平均精度。这项研究的结果是令人鼓舞的,并表明,随着进一步的研究,这些模型可以直接应用于韩国的医疗保健系统,从而增加韩国的国家癌症筛查计划的参与。
2021-01-27 cs.LG q-bio.OT
Can virtual staining for high-throughput screening generalize?
GSK Drug Metabolism & Pharmacokinetics(葛兰素史克公司药物代谢与药代动力学部);GSK Medicines Research Centre(葛兰素史克药物研究中心);GSK Genome Biology(葛兰素史克公司基因组生物学部);GSK Bioimaging(葛兰素史克公司生物成像部)
本研究基于772,416对HTS图像,系统评估虚拟染色模型在未见表型、未见细胞类型及其组合下的泛化能力,发现非毒性样本训练效果更优,并首次提供大规模数据为中心的泛化分析策略。
2024-09-30 cs.AI cs.CV cs.LG
Machine learning approach for early detection of autism by combining questionnaire and home video screening
Stanford University(斯坦福大学);Cognoa Inc.(Cognoa公司)
现有的早期检测自闭症的筛查工具昂贵,繁琐,耗时,有时预测价值不足。在这项工作中,我们将机器学习(ML)应用于从数千名有自闭症谱系障碍风险的儿童中获得的金标准临床数据,以创建一种低成本,快速,易于应用的自闭症筛查工具,其性能与大多数广泛使用的标准化工具一样好或更好。这种新工具将两种筛选方法结合到一个评估中,一种是基于简短的结构化家长报告问卷,另一种是基于对儿童简短的半结构化家庭视频中的关键行为进行标记。为了克服训练数据的稀缺性、稀疏性和不平衡性,我们采用了创造性的特征选择、特征工程和新颖的特征编码技术。我们允许在适当的情况下进行不确定的测定,以便在确定时提高筛选准确性。我们在162名儿童的临床研究样本中证明了标准筛查工具的显着准确性提高。
2017-03-15 cs.CY cs.LG
Pre-screening breast cancer with machine learning and deep learning
Royal Netherlands Academy of Arts and Sciences(荷兰皇家艺术与科学院);Netherlands Interdisciplinary Demographic Institute (NIDI)(荷兰跨学科人口研究所);University of Groningen(格罗宁根大学);University College London(伦敦大学学院)
我们认为,深度学习可以通过分析患者的人口统计学和人体测量学信息,以及从常规血液样本中获得的生物标志物和从荟萃分析和国际数据库中获得的相对风险来进行癌症的预筛选。我们将特征选择算法应用于116名女性的数据库,其中包括52名健康女性和64名诊断为乳腺癌的女性,以确定癌症的最佳预筛选预测因子。我们利用最佳预测器来执行k倍蒙特卡罗交叉验证实验,将深度学习与传统的机器学习算法进行比较。我们的研究结果表明,具有使用特征选择微调的输入层架构的深度学习模型可以有效区分患有癌症和没有癌症的患者。此外,与机器学习相比,深度学习的预测不确定性最低。这些研究结果表明,应用于癌症预筛查的深度学习算法为基于图像的筛查方法提供了无辐射,非侵入性和负担得起的补充。深度学习算法在癌症预筛查中的应用为识别可能需要基于成像的筛查的个体提供了机会,可以鼓励自我检查,并减少与癌症筛查中的假阳性相关的心理外部性。深度学习算法在筛查和预筛查中的整合将最终导致恶性肿瘤的早期检测,减少与癌症治疗相关的医疗和社会负担。
2023-02-05 cs.LG stat.ML
Safe Sample Screening for Robust Support Vector Machine
Nanjing University of Information Science & Technology(南京信息工程大学);JD Finance America Corporation(京东金融美国公司);University of Western Ontario(韦仕敦大学);University of Pittsburgh(匹兹堡大学)
鲁棒支持向量机(RSVM)在噪声环境下能够显著提高支持向量机的泛化性能。不幸的是,为了处理RSVM中斜坡损失引起的非凸性,现有的RSVM求解器通常采用DC编程框架,这对于运行多个外循环来说计算效率低下。这阻碍了RSVM在大规模问题中的应用。安全的样本筛选允许在训练过程之前或早期排除训练样本,是大大减少计算时间的有效方法。然而,现有的安全样本筛选算法仅限于凸优化问题,而RSVM是一个非凸问题。为了解决这一问题,本文提出了两种基于凹凸过程(CCCP)框架的RSVM安全样本筛选规则。具体来说,我们提供了筛选规则的内部求解器的CCCP和另一个规则之间的传播筛选样本连续求解器的CCCP。据我们所知,这是第一个工作的安全样本筛选到一个非凸优化问题。更重要的是,我们为RSVM提供了样本筛选规则的安全性保证。在多个基准数据集上的实验结果验证了我们的安全样本筛选规则可以显著减少计算时间。
2019-12-24 cs.LG stat.ML
Comparison of semi-supervised learning methods for High Content Screening quality control
Jamia Millia Islamia(贾米亚·米利亚·伊斯兰亚大学);Ecole Normale Supérieure(巴黎高等师范学院);SYNSIGHT;Minos Biosciences(米诺斯生物科学公司)
自动显微镜和定量图像分析的进展促进了高含量筛选(HCS)作为一种有效的药物发现和研究工具。虽然HCS能够以高通量从图像中量化复杂的细胞表型,但该过程可能会受到图像像差的阻碍,例如失焦图像模糊、荧光团饱和、碎片、高水平的噪声、意外的自发荧光或空图像。虽然这个问题在文献中得到了适度的关注,但忽略这些伪影可能会严重妨碍下游图像处理任务并妨碍细微表型的检测。因此,在HCS中使用质量控制是首要关注的问题,也是先决条件。在这项工作中,我们评估了不需要大量图像注释的深度学习选项,为这个问题提供了一个简单易用的半监督学习解决方案。具体而言,我们比较了最近的自我监督和迁移学习方法的功效,以提供一个高吞吐量的伪影图像检测器的基本编码器。这项研究的结果表明,迁移学习方法应首选此任务,因为它们不仅在这里表现最好,而且具有不需要敏感的超参数设置或大量额外训练的优势。
2022-08-09 cs.CV cs.LG
The Validity of a Machine Learning-Based Video Game in the Objective Screening of Attention Deficit Hyperactivity Disorder in Children Aged 5 to 12 Years
University of Tehran(德黑兰大学);Intelligent Systems Research Institute, SKKU(成均馆大学智能系统研究所);Boston University(波士顿大学)
本研究验证了电子游戏FishFinder结合支持向量机,通过游戏表现与运动传感器数据客观筛查5-12岁儿童ADHD的效果,准确率达92.3%,可作为经济易用的筛查工具。
2023-12-19 cs.LG
Gap Safe Screening Rules for Fast Training of Robust Support Vector Machines under Feature Noise
Can Tho University(芹苴大学)
本文提出在特征噪声下快速训练鲁棒支持向量机的间隙安全筛选规则,通过非标准结构的鲁棒模型分析,减少训练复杂度并加速优化,实验显示显著降低训练时间且保持分类精度。
2026-03-26 cs.LG math.OC
A Dual Pipeline Machine Learning Framework for Automated Multi Class Sleep Disorder Screening Using Hybrid Resampling and Ensemble Learning
本文提出双管道机器学习框架,结合混合重采样和集成学习,实现高准确率的多类睡眠障碍自动筛查。
2026-02-06 cs.LG
Machine learning assisted screening of metal binary alloys for anode materials
Zhejiang University(浙江大学)
针对传统合金负极材料筛选效率低的问题,本研究利用CGCNN基于MP、AFLOW数据集预测负极性能,筛选出约120种适用于多体系电池的优质负极,加速了电池材料研发。
2024-09-15 cond-mat.mtrl-sci cs.LG
Using Bayesian Optimization to Accelerate Virtual Screening for the Discovery of Therapeutics Appropriate for Repurposing for COVID-19
IBM Research Europe(IBM欧洲研究院)
被称为SARS-CoV-2的新型武汉冠状病毒在非战时环境中带来了几乎前所未有的影响,严重打击了社会,经济和卫生系统。能够采取药物干预措施来抵消其影响将是这场正在进行的战斗中扭转局势的一个重大转折点。最近,世界上最强大的超级计算机SUMMIT通过高通量虚拟筛选方法来鉴定现有的可能具有抗SARS-CoV-2活性的小分子药物。在这次交流中,我们展示了如何使用贝叶斯优化可以为这些计算的优先级提供有价值的服务,从而加速识别高性能候选人,从而扩大HPC系统用于时间关键筛选的实用范围
2020-05-11 cs.LG q-bio.BM q-bio.QM
Ensemble machine learning approach for screening of coronary heart disease based on echocardiography and risk factors
University of Georgia(佐治亚大学);Beijing Hospital(北京医院)
背景资料:广泛的临床证据表明,在早期阶段预防性筛查冠心病(CHD)可以大大降低死亡率。我们使用64个二维斑点追踪超声心动图(2D-STE)特征和7个临床特征来预测是否患有CHD。研究方法:我们开发了一种机器学习方法,通过模型堆叠将一些流行的分类方法集成在一起,并将传统的堆叠方法推广到两步堆叠方法,以提高诊断性能。结果如下:通过该方法从多个分类模型中借用优势,我们将测试集上的CHD分类准确率从70%左右提高到87.7%。该方法的灵敏度为0.903,特异性为0.843,AUC为0.904,显著高于个体分类模型。结论:我们的工作奠定了基础,斑点跟踪超声心动图为基础的冠心病筛查工具的部署。
2021-05-20 cs.LG stat.ML
Cost-Sensitive Machine Learning Classification for Mass Tuberculosis Verbal Screening
Inovasi Sehat Indonesia(印度尼西亚健康创新);University of Indonesia(印度尼西亚大学);Oxford University(牛津大学)
基于分数的结核病(TB)口头筛查算法表现不佳,导致错误分类,导致漏诊病例和不必要的昂贵的假阳性实验室检测。我们将临床医生定义的基于评分的分类与SVM-RBF、逻辑回归和XGBoost等机器学习分类进行了比较。我们限制我们的分析,从成年人的数据,受结核病影响最大的人口,并调查未调整和未加权分类器的成本敏感的差异。将预测值与相应的GeneXpert MTB/Rif结果进行比较。将XGBoost的阳性类别权重调整为40后,我们获得了96.64%的灵敏度和35.06%的特异性。因此,与我们的临床医生定义的传统基于评分的方法相比,我们的标识符的灵敏度增加了1.26%,而特异性的绝对值增加了13.19%。我们的方法进一步证明,只有2000个数据点就足以使模型收敛。结果表明,即使数据有限,我们实际上也可以设计出一种更好的方法来识别结核病嫌疑人。
2020-11-14 cs.CY cs.LG
Analyzing Geospatial and Socioeconomic Disparities in Breast Cancer Screening Among Populations in the United States: Machine Learning Approach
University of Tennessee Health Science Center(田纳西大学健康科学中心);St. Jude Children's Research Hospital(圣犹大儿童研究医院)
本研究通过空间分析与机器学习模型(随机森林等),结合健康社会决定因素数据,分析美国乳腺癌筛查的地理空间与社会经济差异,发现东部和北部筛查率较高,黑人人口比例等是关键影响因素,为针对性干预提供依据。
2025-01-30 cs.LG stat.AP
Role of Edge Device and Cloud Machine Learning in Point-of-Care Solutions Using Imaging Diagnostics for Population Screening
DeepTek Inc(DeepTek公司);University of Southern California(南加州大学);DY Patil Hospital(DY Patil医院)
边缘设备正在彻底改变诊断。边缘设备可以位于成像工具内或附近,例如数字X射线、CT、MRI或超声设备。这些设备是CPU或GPU,具有先进的深度处理和机器学习(人工智能)算法,可帮助分类和分流解决方案,将研究标记为正常或异常、结核病或健康(在结核病筛查的情况下)、疑似COVID-19/其他肺炎或不明显(在医院或热点环境中)。这些可以部署为筛查床旁(床旁)解决方案;对于数字和便携式X射线设备尤其如此。边缘设备学习还可用于乳腺X射线摄影和CT研究,分别识别微钙化和中风。这些解决方案可以被认为是在成像专家实际审查扫描并做出最终诊断之前的第一线预筛选。这些工具的主要优势在于它们是即时的,可以远程部署在专家无法在专家实际审查之前进行预筛选的地方,并且不受互联网带宽的限制,因为纳米学习数据中心位于设备旁边。
2020-06-18 cs.CY cs.LG eess.IV
Automated Thermal Screening for COVID-19 using Machine Learning
Niramai Health Analytix Pvt Ltd(Niramai健康分析私人有限公司)
在过去两年中,数百万人因COVID-19而丧生。尽管疫苗接种计划已实施一年,但由于COVID-19的新变种,住院率和死亡率仍然很高。严格的指引及COVID-19筛查措施(如在所有公共场所进行体温检查及口罩检查)有助减少COVID-19的传播。目视检查,以确保这些筛选措施可能是繁重和错误的。自动化检测确保了有效和准确的筛选。传统的方法涉及从视觉摄像机图像中识别人脸和面具,然后从热成像摄像机中提取温度值。使用视觉成像作为主要模态限制了这些应用仅用于良好的照明条件。单独使用热成像用于这些筛选措施使得系统对照明不变。然而,缺乏开源数据集是开发此类系统的一个问题。在本文中,我们讨论了我们在热视频流上使用机器学习进行人脸和口罩检测以及随后的被动非侵入性温度筛查的工作,从而实现了在公共场所有效的自动COVID-19筛查方法。我们开源了NTIC数据集,该数据集用于训练我们的模型,并在8个不同的位置收集。我们的研究结果表明,在高照度的情况下,热成像的使用与视觉成像一样有效。即使在低光照条件下,热图像的性能也保持不变,而视觉训练分类器的性能下降超过50%。
2022-03-30 cs.CV cs.LG eess.IV
Active Learning from Crowd in Document Screening
University of Trento(特伦托大学);TU Delft(代尔夫特理工大学);myTomorrows
在本文中,我们将探讨如何有效地结合众包和机器智能来解决文档筛选的问题,我们需要使用一组机器学习过滤器来筛选文档。具体来说,我们专注于构建一组机器学习分类器,用于评估文档,然后有效地筛选它们。这是一项具有挑战性的任务,因为预算是有限的,有无数的方法来花费给定的预算在这个问题上。我们提出了一个多标签的主动学习筛选特定的采样技术-目标感知采样-查询未标记的文档进行注释。我们的算法决定了哪些机器过滤器需要更多的训练数据,以及如何选择未标记的项目进行注释,以最大限度地减少整体分类错误的风险,而不是最小化单个过滤器错误。我们证明,目标感知采样显着优于最先进的主动学习采样策略的状态。
2020-11-11 cs.CL cs.IR cs.LG
Meaningful machine learning models and machine-learned pharmacophores from fragment screening campaigns
University of Cambridge(剑桥大学);Astex Pharmaceuticals(Astex制药公司)
机器学习(ML)广泛用于药物发现以训练预测蛋白质-配体结合的模型。这些模型对药物化学家具有重要价值,特别是如果它们提供了对驱动结合过程的物理相互作用的特定情况的洞察。在这项研究中,我们从50多个片段筛选活动中推导出ML模型,以引入两个重要元素,我们认为这两个元素在迄今为止报道的大多数(如果不是全部的话)这种类型的ML研究中都不存在:首先,除了我们用来训练我们的模型的观察到的命中率之外,我们还纳入了真实的未命中率,并表明这些实验验证的阴性数据对导出模型的质量具有重要意义。其次,我们提供了一个物理上可解释和可验证的表示,ML模型认为成功绑定的重要性。这种表示是来自一个简单的归因程序,解释了预测的化学环境的(相互)作用。重要的是,我们验证了归因结果在大规模上对先前的注释独立的专家分子建模。我们发现ML模型提出的关键分子子结构与手动分配的分子子结构之间存在良好的一致性,即使该模型在区分命中和未命中方面的性能远非完美。通过将属性投射到预定义的相互作用原型(药效团)上,我们表明ML允许我们制定简单的规则,用于从筛选数据中自动驱动片段结合目标。
2022-03-25 cs.LG q-bio.BM q-bio.QM
Mitigating Molecular Aggregation in Drug Discovery with Predictive Insights from Explainable AI
University of Manitoba(曼尼托巴大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本研究应用可解释AI模型MEGAN识别胶体聚集分子,利用反事实设计替代物并实验验证,以减少药物筛选假阳性,加速药物发现。
2025-05-27 cond-mat.soft cs.LG q-bio.BM