Type 2 Diabetes is a fast-growing, chronic metabolic disorder due to imbalanced insulin activity.The motion of this research is a comparative study of seven machine learning classifiers and an artificial neural network method to prognosticate the detection and treatment of diabetes with high accuracy,in order to identify and treat diabetes patients at an early age.Our training and test dataset is an accumulation of 9483 diabetes patients information.The training dataset is large enough to negate overfitting and provide for highly accurate test performance.We use performance measures such as accuracy and precision to find out the best algorithm deep ANN which outperforms with 95.14% accuracy among all other tested machine learning classifiers.We hope our high-performing model can be used by hospitals to predict diabetes and drive research into more accurate prediction models.
Electronic Health Records-Based Data-Driven Diabetes Knowledge Unveiling and Risk Prognosis
Georgia Institute of Technology（佐治亚理工学院）；McGill University（麦吉尔大学）；Carnegie Mellon University（卡内基梅隆大学）；Oregon State University（俄勒冈州立大学）；University of Pennsylvania（宾夕法尼亚大学）；Northeastern University（东北大学）；University of California, San Diego（加州大学圣地亚哥分校）
Development of deep learning algorithms to categorize free-text notes pertaining to diabetes: convolution neural networks achieve higher accuracy than support vector machines
Harvard Medical School（哈佛医学院）；Brigham and Women’s Hospital（布莱根妇女医院）
卫生专业人员在审查电子健康记录（EHR）时可以使用自然语言处理（NLP）技术。机器学习自由文本分类器可以帮助他们识别问题并做出关键决策。我们的目标是开发深度学习神经网络算法，识别与糖尿病有关的EHR进展记录，并在两个机构验证算法。使用的数据是从糖尿病患者中检索的2，000个EHR进展记录，所有记录都手动注释为糖尿病或非糖尿病。开发了几种深度学习分类器，并使用ROC曲线下面积（AUC）评估了它们的性能。具有可分离卷积层的卷积神经网络（CNN）模型在Brigham and Womens Hospital测试集中准确识别了糖尿病相关笔记，最高AUC为0.975。深度学习分类器可用于识别与糖尿病有关的EHR进展记录。特别地，基于CNN的分类器可以实现比基于SVM的分类器更高的AUC。
A novel method for Causal Structure Discovery from EHR data, a demonstration on type-2 diabetes mellitus
Institute for Health Informatics, University of Minnesota（明尼苏达大学健康信息学研究所）；Mayo Clinic（梅奥诊所）
导言：发现疾病的因果机制有助于更好地诊断、预后和治疗选择。临床试验一直是确定因果关系的黄金标准，但它们是资源密集型的，有时不可行或不道德。电子健康记录（EHR）包含了丰富的真实世界的数据，有希望发现疾病的机制，但现有的因果结构发现（CSD）的方法不足以利用它们，由于EHR数据的特殊性。我们提出了一种新的数据转换方法和一种新的CSD算法，以克服这些特点所带来的挑战。材料和方法：我们证明了所提出的方法上的应用，2型糖尿病。我们使用Mayo Clinic的大型EHR数据集来内部评估拟议的转换和CSD方法，并使用来自独立卫生系统Fairview Health Services的另一个大型数据集作为外部验证。我们比较了我们提出的方法的性能快速贪婪等价搜索（FGES），一个国家的最先进的CSD方法的正确性，稳定性和完整性。我们通过外部验证测试了所提出的算法的通用性。结果和结论：所提出的方法通过成功地结合研究设计考虑来改进现有方法，在面对不可靠的EHR时间戳时具有鲁棒性，并且更正确可靠地推断因果效应方向。所提出的数据转换成功地提高了所发现的图形的临床正确性和跨引导样本的边缘方向的一致性。它导致了优越的准确性，稳定性和完整性。
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。
The Virtual Doctor: An Interactive Artificial Intelligence based on Deep Learning for Non-Invasive Prediction of Diabetes
Philipps-University of Marburg（马尔堡菲利普斯大学）；Weihenstephan-Triesdorf University of Applied Sciences（魏恩施蒂芬-特里斯多夫应用科学大学）；Otto-von-Guericke University Magdeburg（奥托·冯·格里克马格德堡大学）
CopulaSMOTE: A Copula-Based Oversampling Approach for Imbalanced Classification in Diabetes Prediction
Stanford University School of Medicine（斯坦福大学医学院）；Minnesota State University（明尼苏达州立大学）；University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）；Southern Utah University（犹他州南方大学）
SmartEdge: Smart Healthcare End-to-End Integrated Edge and Cloud Computing System for Diabetes Prediction Enabled by Ensemble Machine Learning
University of Melbourne（墨尔本大学）；United Arab Emirates University（阿联酋大学）；Emirates Center for Mobility Research（阿联酋交通研究中心）；National Water and Energy Center（国家水资源与能源中心）；UAE University（阿联酋大学）
Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks
University of Wisconsin-Milwaukee（威斯康星大学密尔沃基分校）；AZH Wound and Vascular Center（AZH伤口与血管中心）
伤口预后模型不仅提供伤口愈合时间的估计，以激励患者随访治疗，而且还可以帮助临床医生决定是否使用标准护理或辅助治疗，并帮助他们设计临床试验。然而，由于隐私、敏感性和保密性，从患者的电子病历（EMR）中收集预后因素具有挑战性。在这项研究中，我们开发了时间序列医学生成对抗网络（GANs），使用在专业伤口护理机构的常规护理期间收集的非常有限的信息来生成合成伤口预后因素。生成的预后变量用于开发慢性伤口愈合轨迹的预测模型。我们的新型医学GAN可以从EMR中产生连续和分类特征。此外，我们通过考虑从患者每周随访中收集的数据，将时间信息应用于我们的模型。有条件的训练策略被用来加强训练，并产生愈合或非愈合方面的分类数据。通过TSTR（test on the synthetic，训练on the real）、判别精度和可视化等方法对该模型生成真实EMR数据的能力进行了评价。我们利用我们提出的GAN生成的样本来训练预后模型，以展示其实际应用。与以前的EMR-GAN相比，使用生成的样本训练预测模型将分类准确率提高了6.66-10.01%。此外，建议的预后分类器在使用前三次访视、前两次访视和首次访视的数据训练网络时，分别实现了0.975、0.968和0.849的曲线下面积（AUC）。这些结果表明，与以前的预后模型相比，伤口愈合预测有显著改善。
Detecting diabetic retinopathy severity through fundus images using an ensemble of classifiers
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）；“Iuliu Hatieganu” University of Medicine and Pharmacy（“尤利乌·哈采加努”医药大学）；Emergency County Hospital（急诊县医院）
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）
Robust Semi-Supervised CT Radiomics for Lung Cancer Prognosis: Cost-Effective Learning with Limited Labels and SHAP Interpretation
University of British Columbia（不列颠哥伦比亚大学）；BC Cancer Research Institute（BC癌症研究所）；TECVICO Corp.（TECVICO公司）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；Nooshirvani University of Technology（努什拉尼理工大学）；Guilan University of Medical Sciences（吉兰医科大学）；Motamed Cancer Institute（莫塔梅德癌症研究所）；Hamadan University of Medical Sciences（哈马丹医科大学）
Multi-Modal Machine Learning for Population- and Subject-Specific lncRNA-Type 2 Diabetes Association Analysis
Department of Electronics and Communication Engineering, IIITDM Jabalpur（IIITDM Jabalpur电子与通信工程系）；Department of Electronics and Communication Engineering, Central University of Jammu（Jammu中央大学电子与通信工程系）
Variational Quantum Classifiers Through the Lens of the Hessian
National Institute of Technology, Agartala（阿加尔塔拉国家理工学院）；Chitkara University Institute of Engineering & Technology, Chitkara University（奇特卡拉大学工程与技术学院）；Mansoura University（曼苏拉大学）
Inverse Classification with Limited Budget and Maximum Number of Perturbed Samples
Northwestern University（西北大学）；Allstate Insurance Company（好事达保险公司）；Department of Industrial Engineering and Management Sciences（工业工程与管理科学系）；Data, Discovery and Decision Science（数据、发现与决策科学（部门））
Deep Copula Classifier: Theory, Consistency, and Empirical Evaluation
Department of Mathematics, University of Louisiana at Lafayette（路易斯安那大学拉福莱分校数学系）；Department of Statistics, Formerly of Presidency College, Kolkata, India（印度加尔各答 Presidency College 统计学系）
Machine Learning Methods for Identifying Atrial Fibrillation Cases and Their Predictors in Patients With Hypertrophic Cardiomyopathy: The HCM-AF-Risk Model
University of Delaware（特拉华大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Taipei Veterans General Hospital（台北荣民总医院）；National Yang-Ming University（阳明大学）；University of California San Francisco（加利福尼亚大学旧金山分校）
Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner
East China Normal University（华东师范大学）；Ryerson University（瑞尔森大学）；Shanghai Jianglai Data Technology Co., Ltd（上海江来数据科技有限公司）
研究意义：本文的扩展版本已被IEEE Internet of Things期刊（DOI：10.1109/JIOT.2020.2991456）接受，请引用期刊版本。在疫情防控期间，我们的研究有助于基于呼吸特征的COVID-19（新型冠状病毒）感染患者的预后、诊断和筛查。根据最新的临床研究，COVID-19的呼吸模式与流感和普通感冒的呼吸模式不同。COVID-19中发生的一个重要症状是呼吸急促。感染COVID-19的人呼吸更快。本研究可用于各种呼吸模式的识别，并可初步投入实用。该方法在单受试者和双受试者情况下的演示视频可以在线下载。研究详情：以远程和不显眼的方式准确检测人的意外异常呼吸模式具有重要意义。在这项工作中，我们创新地利用深度相机和深度学习来实现这一目标。这项任务的挑战是双重的：真实世界的数据量不足以训练获得深度模型;不同类型的呼吸模式的类内变化很大，类外变化很小。本文针对呼吸信号的特点，提出了一种新颖高效的呼吸仿真模型（Respiratory Simulation Model，简称RSM），以弥补训练数据量大和真实数据量少的不足。所提出的深度模型和建模思想具有很大的潜力，可以扩展到大规模的应用，如公共场所，睡眠场景，办公环境。
A machine learning-based severity prediction tool for diabetic sensorimotor polyneuropathy using Michigan neuropathy screening instrumentations
Universiti Kebangsaan Malaysia（马来西亚国民大学）；Qatar University（卡塔尔大学）；Weill Cornell Medicine – Qatar（威尔康奈尔医学院-卡塔尔）；Hamad General Hospital（哈马德综合医院）；Alkhor Hospital（阿尔霍尔医院）；University of Hyogo（兵库县立大学）；Dr Ram Manohar Lohia Avadh University（拉姆·马诺哈尔·洛希亚博士阿瓦德大学）
Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls
Institute of Mental Health, Singapore（新加坡精神卫生研究院）；National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；Duke-NUS Medical School（杜克-新加坡国立大学医学院）
Causal Explainability of Machine Learning in Heart Failure Prediction from Electronic Health Records
Department of Computer Science（计算机科学系）；Tennessee State University（田纳西州立大学）；Department of Electrical and Computer Engineering（电气与计算机工程系）；Department of Mathematics and Statistics（数学与统计学系）；Old Dominion University（老奥尔巴尼大学）
Deep ROC Analysis and AUC as Balanced Average Accuracy to Improve Model Selection, Understanding and Interpretation
Ottawa Hospital Research Institute（渥太华医院研究所）；Institute of Clinical Evaluative Sciences（临床评估科学研究所）；Department of Family Medicine（家庭医学系）；School of Epidemiology and Public Health（流行病学与公共卫生学院）；University of Ottawa（渥太华大学）；Bruyère Research Institute（布鲁耶尔研究所）；Department of Systems Design Engineering（系统设计工程系）；Vision and Image Processing Lab（视觉与图像处理实验室）；Faculty of Engineering（工程学院）；University of Waterloo（滑铁卢大学）；Fondazione Bruno Kessler Research Institute（布鲁诺·凯斯勒基金会研究所）；Department of Psychology and Cognitive Science（心理学与认知科学系）；University of Trento（特伦托大学）；Department of Cardiology（心脏病学系）；Paracelsus Medical University of Salzburg（萨尔茨堡巴拉塞尔苏斯医科大学）；e-health group（电子健康小组）
