Variable Weights Neural Network For Diabetes Classification
Indian Institute of Technology Roorkee（印度鲁尔基理工学院）
正如过去一年所看到的那样，在一场大流行病使世界陷入困境的情况下，防治威胁生命的疾病比以往任何时候都更加受到重视。与疾病作斗争的第一步是在正确的时间诊断它。糖尿病已经影响了人们很长一段时间，并且在人们中的增长速度比以往任何时候都快。据世卫组织报告，2018年糖尿病患者人数达到4.22亿，全球18岁以上成年人糖尿病患病率已上升至8.5%。现在糖尿病是一种疾病，显示没有或很少有症状的人受到它的影响很长一段时间，甚至在某些情况下，人们意识到他们有它时，他们已经失去了任何控制它的机会。因此，在早期诊断糖尿病可以在如何治疗它的方法有很大的不同。在这篇文章中，朝着这个方向前进，我们已经设计了一种液体机器学习方法，使用深度学习来检测糖尿病，而无需任何成本。在这项工作中，我们使用了520个实例的数据集。我们的方法显示了显着的改善，在以前的国家的最先进的结果。它在小数据集上的泛化能力很好地解决了医学科学中数据较少的关键问题。
2021-02-22 cs.LG
DiabML: AI-assisted diabetes diagnosis method with meta-heuristic-based feature selection
本研究针对糖尿病早期检测需求，结合AIoMT技术提出融合BWO元启发式特征选择与SMOTE不平衡处理的DiabML混合诊断方法，经实验验证其AdaBoost分类准确率达86.1%，优于现有相关方法。
2024-10-30 cs.AI cs.LG
ECO-AMLP: A Decision Support System using an Enhanced Class Outlier with Automatic Multilayer Perceptron for Diabetes Prediction
National University of Sciences & Technology（国家科学与技术大学）；Manchester Metropolitan University（曼彻斯特城市大学）
随着先进的数据分析技术，为疾病预测提供更准确的决策支持系统的努力正在增加。世界卫生组织（WHO）的调查表明，糖尿病患者和相关死亡人数每年都在大幅增加。糖尿病的早期诊断是研究人员和从业人员的主要关注点。本文提出了一个应用\textit{Automatic Multilayer Perceptron }，\textit{ }结合离群检测方法\textit{Enhanced Class Outlier Detection using distance based algorithm }，创建一个预测框架命名为增强类离群自动多层感知器（ECO-AMLP）。一系列的实验进行公开的皮马印度糖尿病数据集比较ECO-AMLP与其他个人分类器以及集成为基础的方法。与其他预处理和分类技术相比，我们框架中使用的离群值技术得到了更好的结果。最后，将结果与文献中报道的其他最先进的方法进行比较，预测PIDD糖尿病的准确性为88.7%，优于所有其他报道的研究。
2017-06-23 cs.LG
Supervised Learning Models for Early Detection of Albuminuria Risk in Type-2 Diabetes Mellitus Patients
Institut Teknologi Bandung（万隆理工学院）；Universitas Indonesia（印度尼西亚大学）
本研究针对2型糖尿病患者白蛋白尿早期预测需求，基于含184条记录的私有数据集训练7种监督学习算法，发现多层感知器（MLP）性能最优，准确率和F1值分别达0.74和0.75，可用于相关筛查。
2024-01-27 cs.AI cs.LG q-bio.QM
Can Breath Biomarkers Causally Influence Blood Glucose? Investigating VOC-Mediated Modulation in Diabetes
TCS Research（TCS研究）；Department of E&ECE, IIT Kharagpur（印度理工学院Kharagpur电子与电气工程系）
本研究通过非侵入式数据驱动框架，利用挥发性有机化合物（VOCs）和生活方式变量识别糖尿病高风险个体，采用因果推断技术估计VOCs如乙酮、异丙醇、异戊二烯和乙醇对血糖水平的影响，并设计分类器区分糖尿病患者与非糖尿病患者，建立基于风险的排名系统和高斯混合模型识别自然聚类。
2026-05-21 cs.LG q-bio.QM
Early Prediction of Type 2 Diabetes Using Multimodal data and Tabular Transformers
College of Science and Engineering（科学与工程学院）
利用TabTrans分析多模态数据，通过预测T2DM风险，提升糖尿病管理的前瞻性与个性化水平。
2026-01-19 cs.CV cs.LG
Supervised Machine Learning based Ensemble Model for Accurate Prediction of Type 2 Diabetes
University of Central Florida（中佛罗里达大学）
根据美国糖尿病协会（ADA）的数据，美国有3030万人患有糖尿病，但只有720万人可能未被诊断出来，也不知道自己的病情。2型糖尿病通常在生命后期被诊断为大多数患者，而不太常见的1型糖尿病在生命早期被诊断出来。人们可以在患有糖尿病的同时过上健康和幸福的生活，但早期发现对大多数患者的健康产生了更好的整体结果。因此，为了测试2型糖尿病的准确预测，我们使用了来自一家名为Practice Fusion的电子健康记录公司的患者信息，该公司从2009年到2012年拥有约10，000份患者记录。这些数据包含个人关键的生物特征，包括年龄、舒张压和收缩压、性别、身高和体重。我们将这些数据用于流行的机器学习算法，对于每种算法，我们根据其分类准确性、精确度、灵敏度、特异性/召回率、阴性预测值和F1评分来评估每种模型的性能。在我们的研究中，我们发现除了朴素贝叶斯算法之外的所有算法都具有非常低的精度。因此，我们更进一步，将所有算法合并到加权平均或软投票集成模型中，其中每个算法将计入对患者是否患有糖尿病的决策结果的多数投票。Ensemble模型在Practice Fusion上的准确率为85%，到目前为止，我们的集成方法在这个领域是新的。我们坚信，加权平均集成模型不仅在整体指标上表现良好，而且有助于恢复错误的预测，并有助于准确预测2型糖尿病。该模型的准确性可为患者及时就医提供参考。
2019-10-18 cs.LG stat.ML
Subject-Conditioned Glucose Forecasting in Type-1 Diabetes
研究针对1型糖尿病血糖预测问题，提出多模态深度学习架构SCGP，基于观测数据和个体表征预测血糖，通过分离特征与建模避免早期融合，实验证明其能提高预测性能，利于个性化糖尿病管理。
2026-07-22 cs.LG q-bio.QM
A Comparative Study of Diabetes Prediction Based on Lifestyle Factors Using Machine Learning
本研究基于2015年BRFSS调查的21个生活方式特征，对比评估了Decision Tree、KNN和Logistic Regression三种机器学习模型在糖尿病预测中的性能，发现三者准确率分别达0.74、0.72和0.75，证明了机器学习在该领域的应用潜力。
2025-03-06 cs.LG
Improving Early Prediction of Type 2 Diabetes Mellitus with ECG-DiaNet: A Multimodal Neural Network Leveraging Electrocardiogram and Clinical Risk Factors
College of Science and Engineering, Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学院）
本文提出多模态深度学习模型ECG-DiaNet，融合心电图特征与临床风险因素，在卡塔尔生物银行数据上显著提升2型糖尿病早期预测性能，支持精准预防。
2025-04-05 cs.AI cs.LG
Deep Learning-Based Noninvasive Screening of Type 2 Diabetes with Chest X-ray Images and Electronic Health Records
University College London（伦敦大学学院）
2型糖尿病（T2 DM）的早期检测的必要性受到其无症状发作和依赖于次优临床诊断测试的挑战，导致其在全球范围内广泛流行。虽然对非侵入性T2 DM筛查工具的研究已经取得进展，但由于广泛的特征工程要求，传统的机器学习方法仍然限于单峰输入。相比之下，深度学习模型可以利用多模态数据来更全面地了解患者的健康状况。然而，胸部X射线（CXR）成像的潜力，最常用的医疗程序之一，仍然未被充分发掘。本研究评估了CXR图像与其他非侵入性数据源（包括电子健康记录（EHR）和心电图信号）的整合，用于T2 DM检测。利用从MIMIC-IV数据库精心编译的数据集，我们研究了两种深度融合范式：基于早期融合的多模态Transformer和模块化联合融合ResNet-LSTM架构。端到端训练的ResNet-LSTM模型的AUROC为0.86，仅用9863个训练样本就超过了仅CXR基线的2.3%。这些发现证明了CXR在多模式框架内对早期识别高危个体的诊断价值。此外，还发布了数据集预处理管道，以支持该领域的进一步研究。
2024-12-14 cs.CV cs.LG
Development of a dynamic type 2 diabetes risk prediction tool: a UK Biobank study
Huma Therapeutics Limited（休玛治疗有限公司）；University of Belgrade（贝尔格莱德大学）；University of Oxford（牛津大学）；University of Exeter（埃克塞特大学）
糖尿病影响超过4亿人，是世界范围内发病的主要原因之一。识别高危人群可以通过改变生活方式支持早期诊断和预防疾病发展。然而，大多数现有的风险评分需要有关血液因素的信息，而这些信息在诊所外无法获得。在这里，我们的目标是开发一个可访问的解决方案，可以数字化和大规模部署。我们使用来自英国生物银行数据集中472，830名参与者的301个特征开发了一个预测性10年2型糖尿病风险评分，同时排除了智能手机不易获得的任何特征。使用数据驱动的特征选择过程，19个特征被包括在最终的简化模型中。Cox比例风险模型的表现略优于使用相同特征训练的DeepSurv模型，一致性指数为0.818（95% CI：0.812-0.823），而0.811（95% CI：0.806-0.815）。最终模型显示出良好的校准。该工具可用于临床筛查有发展为2型糖尿病风险的个体，并通过扩大患者对影响其个人风险因素的了解来促进患者赋权。
2021-04-20 cs.LG
Task-wise Split Gradient Boosting Trees for Multi-center Diabetes Prediction
Shanghai Jiao Tong University（上海交通大学）；Ruijin Hospital, SJTU School of Medicine（上海交通大学医学院附属瑞金医院）；Paradigm Inc.（第四范式（北京）技术有限公司）
糖尿病预测是社会医疗领域的重要数据科学应用。在糖尿病预测任务中存在两个主要挑战：由于人口统计学和代谢数据是不同类型的数据异质性，由于单个医疗中心的糖尿病病例数量通常是有限的数据不足。为了解决上述挑战，我们采用梯度提升决策树（GBDT）来处理数据异构性，并引入多任务学习（MTL）来解决数据不足。为此，提出了用于多中心糖尿病预测任务的任务明智分裂梯度提升树（TSGB）。具体而言，我们首先引入任务增益来评估每个任务分别在树的建设，与GBDT的学习目标的理论分析。其次，我们揭示了直接将GBDT应用于MTL时的一个问题，即，负任务增益问题。最后，我们提出了一种新的分裂方法的GBDT在MTL的任务增益统计的基础上，命名为任务明智的分裂，作为一种替代标准的功能明智的分裂，以克服上述负任务增益问题。在大规模真实糖尿病数据集和常用基准数据集上进行的大量实验表明，TSGB与几种最先进的方法相比具有优异的性能。详细的案例研究进一步支持了我们对负任务增益问题的分析，并提供了有见地的发现。所提出的TSGB方法已被部署为用于早期诊断的在线糖尿病风险评估软件。
2021-08-16 cs.LG
Implementation of Big Data Analytics for Diabetes Management: Needs Assessment in the Rwanda Healthcare System
University of Rwanda（卢旺达大学）
本研究通过利益相关者研讨会评估卢旺达医疗系统采用大数据分析管理糖尿病的准备情况，并提出了一个基于可解释机器学习模型的实用框架。
2026-05-26 cs.AI cs.CY cs.LG
Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach
organization= Daniel J. Epstein Department of Industrial \& Systems Engineering, University of Southern California , city= Los Angeles , state= CA , postcode= 90089 , country= United States；organization= Colorectal Research Center, Iran University of Medical Sciences , city= Tehran , postcode= 14535 , country= Iran；organization= Department of Health Science, California State University , city= Long Beach , state= CA , postcode= 90840 , country= United States；organization= Department of Industrial；Manufacturing Engineering, California State Polytechnic University , city= Pomona , state= CA , postcode= 91768 , country= United States
本研究利用MIMIC-IV数据，开发并验证了一种基于逻辑回归的可解释机器学习模型，用于预测糖尿病合并房颤ICU患者的28天死亡率，其AUROC达0.825，并识别出RAS、年龄、胆红素等关键预测因子。
2025-06-18 cs.LG
Diabetes Prediction and Management Using Machine Learning Approaches
Jadara University（贾达拉大学）；Zarqa University（扎尔卡大学）
本研究基于皮马印第安人糖尿病数据库的768份样本，对比8种机器学习算法的糖尿病预测效果，发现神经网络准确率最高达78.57%，证实机器学习可作为糖尿病早期筛查工具，助力及时干预以减轻医疗负担。
2025-06-13 cs.AI cs.LG
Federated Semi-Supervised Graph Neural Networks with Prototype-Guided Pseudo-Labeling for Privacy-Preserving Gestational Diabetes Mellitus Prediction
Anurag University（阿努拉格大学）
提出FedTGNN-SS联邦半监督框架，结合原型引导伪标签、自适应图细化和隐私安全原型共享，在标签稀缺和隐私约束下实现GDM预测，显著优于11个基线。
2026-09-29 cs.AI cs.LG
Towards Transparent and Accurate Diabetes Prediction Using Machine Learning and Explainable Artificial Intelligence
University of Salerno（萨勒诺大学）
针对糖尿病需尽早诊断管理的问题，本研究提出结合机器学习模型与可解释人工智能工具的预测框架，通过SMOTE和特征缩放处理数据集，集成模型达92.50%测试准确率及0.975 ROC-AUC，明确关键预测因素，为医疗系统提供准确透明的工具。
2025-02-12 cs.AI cs.LG cs.SE
Performance Analysis of Machine Learning Techniques to Predict Diabetes Mellitus
Chittagong University of Engineering & Technology（吉大港工程技术大学）
糖尿病是一种常见的人体疾病，由一组代谢紊乱引起，其中糖水平在长时间内非常高。它影响人体的不同器官，从而损害身体的许多系统，特别是血管和神经。这种疾病的早期预测可以控制和挽救人类生命。为了实现这一目标，本研究工作主要利用机器学习技术探索与这种疾病相关的各种危险因素。机器学习技术通过从糖尿病患者收集的诊断医学数据集构建预测模型来提供有效的结果以提取知识。从这些数据中提取知识可以用于预测糖尿病患者。在这项工作中，我们采用四种流行的机器学习算法，即支持向量机（SVM），朴素贝叶斯（NB），K-最近邻（KNN）和C4.5决策树，对成人人口数据预测糖尿病。我们的实验结果表明，C4.5决策树实现了更高的准确性相比，其他机器学习技术。
2019-01-10 cs.LG stat.ML
Local Interpretability of Calibrated Prediction Models: A Case of Type 2 Diabetes Mellitus Screening Test
Faculty of Health Sciences, University of Maribor（马里博尔大学健康科学学院）
机器学习（ML）模型通常很复杂，由于其“黑箱”特性而难以解释。ML模型的可解释性通常被定义为人类能够理解ML模型做出决策的原因的程度。由于与基于ML模型的决策相关的高风险，可解释性在许多医疗保健领域都非常重要。ML模型输出的校准是ML模型在实际应用中经常被忽视的另一个问题。本文介绍了一个早期的工作，在检查预测模型的校准影响的结果的可解释性。我们提出了一个糖尿病筛查预测场景中的患者用例，并使用三种不同的技术可视化结果，以证明校准和未校准的正则化回归模型之间的差异。
2020-06-02 cs.LG stat.AP stat.ME
Predicting Diabetes Using Machine Learning: A Comparative Study of Classifiers
Nanjing University of Information Science and Technology（南京信息工程大学）
本文提出融合CNN与LSTM的混合模型DNet，并在Kaggle糖尿病数据集上与多种传统及集成ML分类器比较，DNet以99.79%准确率和99.98% AUC-ROC取得最优表现。
2025-05-11 cs.AI cs.LG
Machine Learning-Based Diabetes Detection Using Photoplethysmography Signal Features
Heart Institute (InCor)（心脏研究所（InCor））
本研究提出一种基于非侵入性PPG信号和元数据训练LR与XGBoost算法的糖尿病检测方法，五折交叉验证表明该机器学习方法在开发远程非侵入性连续监测设备方面具有良好前景。
2023-08-02 cs.AI cs.LG eess.SP
A Copula Based Supervised Filter for Feature Selection in Diabetes Risk Prediction Using Machine Learning
University of Louisiana at Lafayette（路易斯安那州立大学拉斐特分校）；Minnesota State University（明尼苏达州立大学）；West Liberty University（韦斯特利布利大学）
本文提出基于Copula的监督过滤器，用于糖尿病风险预测中的特征选择，通过lambda U指标高效筛选关键特征，提升模型解释性与稳健性。
2026-03-04 cs.LG stat.ML
Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers
Google Research（谷歌研究）；Institute of Metabolic Science, University of Cambridge（剑桥大学代谢科学研究所）
本研究利用可穿戴设备时间序列数据和血液生物标志物，通过深度神经网络模型预测胰岛素抵抗，在最大规模远程招募数据集上实现了优于单一数据源的性能，并展示了模型在肥胖和久坐人群中的高灵敏度及可解释性。
2025-04-30 cs.LG
Effect of Clinical History on Predictive Model Performance for Renal Complications of Diabetes
University of Padova（帕多瓦大学）
本研究基于DARWIN-Renal数据开发逻辑回归模型预测糖尿病患者的eGFR阈值跨越情况，发现引入患者既往就诊信息可使模型AUROC高达0.98，性能提升达4%。
2024-09-10 cs.LG q-bio.QM
Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models
Information and Computer Science Department, King Fahd University of Petroleum and Minerals（信息与计算机科学系，国王法赫德石油与矿物大学）；Computer Science Department, King Fahd University of Petroleum（计算机科学系，国王法赫德石油与矿物大学）
本研究比较XGB-RF与SVM-LR两种混合模型，在内部及外部PIMA队列上评估糖尿病风险分层性能，发现XGB-RF泛化性更优，支持梯度提升混合方法作为稳健可迁移方案。
2025-09-24 cs.LG
An explainable XGBoost-based approach towards assessing the risk of cardiovascular disease in patients with Type 2 Diabetes Mellitus
National Technical University of Athens（雅典国立技术大学）；University of Athens（雅典大学）
心血管疾病（CVD）是糖尿病（DM）患者致残和死亡的重要原因。2型糖尿病（T2DM）管理的国际临床指南建立在一级和二级预防的基础上，并支持对CVD相关风险因素进行评估，以确定适当的治疗方案。CVD风险预测模型可以提供有价值的工具，用于优化医疗访问的频率，并对CVD事件进行及时的预防和治疗干预。在这些模型中整合可解释性模态可以增强人类对推理过程的理解，最大限度地提高透明度，并增强对模型在临床实践中采用的信任。本研究的目的是开发和评估T2DM个体中致死性或非致死性CVD发生率的可解释的个性化风险预测模型。一个可解释的方法的基础上的极端梯度提升（XGBoost）和树SHAP（SHapley加法解释）的方法部署的5年CVD风险的计算和生成的模型的决策的个人解释。560例T2DM患者的5年随访数据用于开发和评价目的。所获得的结果（AUC = 71.13%）表明所提出的方法有可能处理所用数据集的不平衡性质，同时提供有关集成模型决策过程的有临床意义的见解。
2020-11-14 cs.AI cs.LG physics.med-ph
Analysis and Mortality Prediction using Multiclass Classification for Older Adults with Type 2 Diabetes
Liverpool John Moores University（利物浦约翰摩尔斯大学）；Upgrad Education Pvt. Ltd（Upgrad教育私人有限公司）；Administrative Staff College of India（印度行政人员学院）
本研究针对老年2型糖尿病患者进行多类死亡预测，使用多种分类器构建模型，发现模型表现不佳，但为该问题的多类分类研究奠定了基础。
2024-02-16 cs.AI cs.LG
Optimization and Application of Cloud-based Deep Learning Architecture for Multi-Source Data Prediction
Boston University（波士顿大学）；Georgia Institute of Technology（佐治亚理工学院）；Meta Platforms, Inc（元平台公司）；University of Miami（迈阿密大学）；University of Virginia（弗吉尼亚大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
提出基于 AWS、EC2 GPU 与 Apache Airflow 的云端深度学习系统，用于糖尿病早期风险预测，显著缩短训练时间并在临床中降低发病率。
2025-01-04 cs.DB cs.DC cs.LG
A Conjoint Graph Representation Learning Framework for Hypertension Comorbidity Risk Prediction
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Southwest University（西南大学）
针对高血压共病早期识别难的问题，提出联合图表示学习CGRL框架，通过构建双网络提取共病特征预测糖尿病与冠心病风险，预测准确率优于其他强模型，还可探索疾病进展路径。
2025-06-12 cs.LG
AI-driven Prediction of Insulin Resistance in Normal Populations: Comparing Models and Criteria
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本研究利用NHANES和CHARLS数据构建了仅基于空腹血糖等简易指标的CatBoost模型来预测胰岛素抵抗，在METS-IR上AUC达0.97，并发现腰围是关键预测因子，为糖尿病和心血管疾病的早期预防提供了微创工具。
2025-03-07 cs.LG
Enhancing Breast Cancer Prediction with LLM-Inferred Confounders
Wheeler High School（惠勒高中）
利用大语言模型推断混杂因素以提升乳腺癌预测，通过改进随机森林模型性能，促进早期诊断和临床决策。
2025-11-20 cs.LG q-bio.QM
Survival Meets Classification: A Novel Framework for Early Risk Prediction Models of Chronic Diseases
CureMD Research（CureMD研究）
本文提出一种结合生存分析与分类技术的新框架，用于开发慢性疾病早期风险预测模型，实验表明其性能优于现有方法，并通过专家验证生成解释。
2026-03-12 cs.AI cs.LG
Sparse Longitudinal Representations of Electronic Health Record Data for the Early Detection of Chronic Kidney Disease in Diabetic Patients
University of Virginia（弗吉尼亚大学）；University of California Los Angeles（加州大学洛杉矶分校）
慢性肾脏病（CKD）是肾功能随着时间的推移逐渐丧失，它增加了死亡率，生活质量下降以及严重并发症的风险。CKD的患病率在过去几十年中一直在增加，这部分是由于糖尿病和高血压的患病率增加。为了准确地检测糖尿病患者的CKD，我们提出了一种新的框架来学习患者医疗记录的稀疏纵向表示。在实际EHR数据上，将该方法与常用的聚合频率向量和序列模式袋等基线进行了比较，实验结果表明，该模型具有更好的预测性能。此外，学习的表示被解释和可视化，以带来临床见解。
2020-11-17 cs.AI cs.LG q-bio.PE
Out-of-distribution Reject Option Method for Dataset Shift Problem in Early Disease Onset Prediction
Graduate School of Medicine, Kyoto University（京都大学医学研究科）；Graduate School of Health and Nursing Science, Wakayama Medical University（和歌山医科大学健康与护理科学研究科）；Research Center for Health-Medical Data Science, Graduate School of Medicine, Hirosaki University（弘前大学医学研究科健康医疗数据科学研究中心）；Innovation Center for Health Promotion, Graduate School of Medicine, Hirosaki University（弘前大学医学研究科健康促进创新中心）；Center of Innovation Research Initiatives Organization, Hirosaki University（弘前大学创新研究倡议组织中心）
针对早期疾病预测中的数据集偏移问题，提出ODROP方法，集成OOD检测模型以排除分布外数据，在真实健康检查数据上显著提升AUROC，首次将OOD检测应用于实际医疗数据。
2025-05-26 cs.AI cs.LG stat.AP
A Machine Learning Model for Early Detection of Diabetic Foot using Thermogram Images
Qatar University（卡塔尔大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）；Hamad Medical Corporation（哈马德医疗公司）；Weill Cornell Medicine-Qatar（威尔康奈尔医学院卡塔尔分校）
糖尿病足溃疡（DFU）和截肢是一个显着的发病率的原因。DFU的预防可以通过识别有DFU风险的患者并通过教育和卸载制定预防措施来实现。几项研究报告说，热谱图图像可能有助于检测DFU之前足底温度的升高。然而，足底温度的分布可能是不均匀的，使得难以量化和利用来预测结果。我们将基于机器学习的评分技术与特征选择和优化技术以及学习分类器与几种最先进的卷积神经网络（CNN）进行了比较，并提出了一种鲁棒的解决方案来识别糖尿病足。MobilenetV2是一个相对较浅的CNN模型，它在基于两英尺热谱图图像的分类中获得了约95%的F1分数，AdaBoost分类器使用了10个特征，获得了97%的F1分数。性能最佳的网络的推理时间的比较证实，所提出的算法可以部署为智能手机应用程序，以允许用户在家庭环境中监控DFU的进展。
2021-06-27 cs.CV cs.LG eess.IV
Evaluation and Implementation of Machine Learning Algorithms to Predict Early Detection of Kidney and Heart Disease in Diabetic Patients
Sir Syed University of Engineering and Technology（赛义德爵士工程技术大学）
本研究结合统计方法与机器学习，利用SPSS分析筛选特征，比较逻辑回归、支持向量机和随机森林，发现随机森林和集成模型在预测糖尿病患者的肾病和心脏病早期检测中准确率最高。
2025-10-12 cs.AI cs.LG q-bio.OT
Deep Learning Approach to Diabetic Retinopathy Detection
Odessa National Polytechnic University（敖德萨国立理工大学）；Odessa I.I. Mechnikov National University（敖德萨国立梅奇尼科夫大学）；VITech Lab（维泰克实验室）
糖尿病视网膜病变是糖尿病最具威胁性的并发症之一，如果不治疗会导致永久性失明。其中一个基本挑战是早期发现，这对治疗成功非常重要。不幸的是，糖尿病视网膜病变阶段的准确识别是非常棘手的，需要专家对眼底图像进行人工解释。简化检测步骤至关重要，可以帮助数百万人。卷积神经网络（CNN）已成功地应用于许多相邻的科目，并用于糖尿病视网膜病变本身的诊断。然而，大标记数据集的高成本以及不同医生之间的不一致性阻碍了这些方法的性能。在本文中，我们提出了一种基于自动深度学习的方法，用于通过人类眼底的单次摄影来检测糖尿病视网膜病变的阶段。此外，我们提出了多阶段的方法来迁移学习，它利用类似的数据集与不同的标签。该方法可用作糖尿病视网膜病变早期检测的筛查方法，灵敏度和特异性为0.99，在APTOS 2019失明检测数据集（13000张图像）上，在2943种竞争方法中排名第54（二次加权kappa评分为0.925466）。
2020-03-03 cs.LG stat.ML
BranchNorm: Robustly Scaling Extremely Deep Transformers
Tencent Inc（腾讯公司）
针对DeepNorm约束模型更新易导致训练不足的问题，提出BranchNorm方法，按训练阶段动态缩放Transformer非残差分支，兼顾训练稳定性与收敛性能，在多翻译任务上取得更优权衡。
2023-05-04 cs.CL cs.LG
Outage-Watch: Early Prediction of Outages using Extreme Event Regularizer
Adobe Research（Adobe研究院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Adobe（Adobe公司）；Amazon（亚马逊）；Cisco（思科）
提出Outage-Watch，利用高斯混合模型和极端事件正则化器预测云服务QoS指标越界，实现故障早期检测，平均AUC 0.98，MTTD降低88%。
2023-11-10 cs.DC cs.LG
Early GVHD Prediction in Liver Transplantation via Multi-Modal Deep Learning on Imbalanced EHR Data
针对肝移植中致命的GVHD并发症早期预测难题，本研究提出可动态融合多模态EHR、处理缺失值与类别不平衡的多模态深度学习框架，在真实临床队列上取得优于基线的预测性能。
2025-11-06 cs.AI cs.LG
Use of Continuous Glucose Monitoring with Machine Learning to Identify Metabolic Subphenotypes and Inform Precision Lifestyle Changes
Department of Genetics, Stanford University（遗传学系，斯坦福大学）；Stanford University（斯坦福大学）；Google Research（谷歌研究）；Systems and Biomedical Engineering Department, Cairo University（系统与生物医学工程系，开罗大学）；Department of International Health, Johns Hopkins Bloomberg School of Public Health（国际健康系，约翰·霍普金斯布劳尔学校公共卫生学院）；Department of Medicine, Stanford University（医学系，斯坦福大学）
本文综述了利用连续血糖监测与机器学习对早期血糖异常进行动态代谢亚表型识别的方法，证明其可预测胰岛素抵抗和β细胞功能，并为个体化营养与生活方式干预提供依据。
2025-11-06 cs.LG q-bio.QM
Lightweight Convolutional Neural Networks for Retinal Disease Classification
Imam Alkadhim University College（伊玛目卡迪姆大学学院）；University of Sharjah（沙迦大学）
本文使用MobileNet和NASNetMobile两种轻量级CNN，结合迁移学习与数据增强，在RFMiD数据集上对视网膜图像进行正常、DR和MH分类，MobileNetV2以90.8%准确率优于NASNetMobile的89.5%，为AI辅助眼科诊断提供基础。
2025-05-30 cs.AI cs.CV cs.LG
