Performance, Transparency and Time. Feature selection to speed up the diagnosis of Parkinson's disease
University of Nicosia(尼科西亚大学)
对疾病的准确和早期预测允许计划和改善患者未来的生活质量。在大流行的情况下,医疗决策成为一个速度的挑战,其中医生必须快速采取行动,以诊断和预测疾病的严重程度的风险,此外,这也是高度优先的神经退行性疾病,如帕金森氏病。具有特征选择(FS)技术的机器学习(ML)模型可以应用于帮助医生快速诊断疾病。FS优化子集功能,提高模型性能,帮助减少患者所需的测试数量,从而加快诊断速度。本研究显示了三个特征选择(FS)技术预应用于分类器算法,逻辑回归,对非侵入性测试结果数据的结果。这三种特征选择方法分别是方差分析(ANOVA)方法、最小绝对收缩选择算子(LASSO)方法和序列特征选择(SFS)方法。结果表明,FS技术可以帮助建立一个高效和有效的分类器,从而提高分类器的性能,同时减少计算时间。
2022-06-08 cs.LG
Deep Echo State Networks for Diagnosis of Parkinson's Disease
Department of Computer Science University of Pisa(比萨大学计算机科学系(更准确的常见译法))
在本文中,我们介绍了一种新的方法,用于诊断帕金森病(PD)的基础上深回声状态网络(ESN)。通过分析在绘制螺旋测试草图期间从平板设备收集的整个时间序列来执行PD的识别,而不需要特征提取和数据预处理。我们在一个公共的螺旋测试数据集上评估了所提出的方法。实验分析结果表明,DeepESN的性能明显优于浅层ESN模型。总体而言,所提出的方法获得了国家的最先进的结果,在这种时间数据的PD识别。
2018-02-19 cs.LG
Feature selection for medical diagnosis: Evaluation for using a hybrid Stacked-Genetic approach in the diagnosis of heart disease
Iran University of Science and Technology(伊朗科技大学)
背景和目的:心脏病在过去10年中一直是最重要的死亡原因之一,因此使用分类方法来诊断和预测心脏病非常重要。如果在月经前预测这种疾病,就有可能预防这种疾病的高死亡率,并提供更准确和有效的治疗方法。材料和方法:由于输入特征的选择,使用基本算法可能非常耗时。降低尺寸或选择一个好的特征子集,而不冒准确性的风险,对于在该地区成功使用的基本算法具有重要意义。在本文中,我们提出了一种集成遗传学习方法,使用包装特征约简来选择疾病分类中的特征。调查结果:开发基于集成学习的医疗诊断系统来预测心脏病,提供了比传统方法更准确的诊断,并降低了治疗成本。结论:结果表明,铊扫描和血管闭塞是诊断心脏病的最重要特征,可以区分疾病和健康人,准确率为97.57%。
2021-03-15 cs.AI cs.LG
A Neurosymbolic Approach for Explainable Early Diagnosis of Alzheimer's Disease
该研究提出一种自动化流程,用预训练基础模型处理言语流畅性测试音频构建贝叶斯网络,以实现阿尔茨海默病的可解释早期诊断,成功恢复临床知识并识别语言标志物间新关系。
2026-08-21 cs.LG
Machine Learning-Based Heart Disease Diagnosis: A Systematic Literature Review
University of Oklahoma(俄克拉荷马大学)
心脏病是当今世界的重大挑战之一,也是全球许多死亡的主要原因之一。机器学习(ML)应用的最新进展表明,使用心电图(ECG)和患者数据,在早期阶段检测心脏病是可行的。然而,ECG和患者数据通常是不平衡的,这最终对传统的ML提出了无偏执行的挑战。多年来,许多研究人员和从业者已经提出了几种数据级和算法级解决方案。为了更广泛地了解现有文献,本研究采用系统性文献综述(SLR)方法,以揭示与心脏病预测中不平衡数据相关的挑战。在此之前,我们对2012年至2021年11月15日期间从知名期刊获得的451篇参考文献进行了荟萃分析。为了进行深入分析,考虑并研究了49篇参考文献,并考虑了以下因素:心脏病类型、算法、应用和解决方案。我们的SLR研究表明,目前的方法在处理不平衡数据时遇到了各种开放的问题,最终阻碍了它们的实用性和功能。
2021-12-13 cs.LG
Heterogeneous Causal Metapath Graph Neural Network for Gene-Microbe-Disease Association Prediction
College of Informatics, Huazhong Agricultural University(华中农业大学信息学院);Hubei Key Laboratory of Agricultural Bioinformatics, Huazhong Agricultural University(华中农业大学农业生物信息学湖北省重点实验室)
本文提出异构因果元路径图神经网络(HCMGNN),通过构建异构图并利用六条因果元路径提取子图进行多视图分析,有效预测复杂的基因-微生物-疾病关联并缓解稀疏问题。
2024-06-27 cs.LG
Parkinson's Disease Diagnosis Using Deep Learning
帕金森病(PD)是一种慢性退行性疾病,其导致一系列运动和认知症状。PD诊断是一项具有挑战性的任务,因为其症状与其他疾病非常相似,如正常衰老和原发性震颤。许多研究已被用于诊断这种疾病。该项目旨在使用深度学习、递归神经网络(RNN)和卷积神经网络(CNN)自动化PD诊断过程,以区分健康和PD患者。此外,由于不同的数据集可能会捕捉到这种疾病的不同方面,因此该项目旨在通过分析不同的成像和运动数据集(特别是立方体和螺旋五边形数据集)来探索哪种PD测试在区分过程中更有效。此外,该项目还评估了哪种数据集类型(成像或时间序列)在诊断PD方面更有效。
2021-01-03 cs.LG eess.IV
Image-based Plant Disease Diagnosis with Unsupervised Anomaly Detection Based on Reconstructability of Colors
Kyushu Institute of Technology(九州工业大学)
本文提出了一种基于图像的植物病害诊断的无监督异常检测技术。构建包含健康和患病作物植物的标记图像的大型且公开可用的数据集导致对用于自动植物疾病诊断的计算机视觉技术的兴趣日益增长。虽然基于深度学习的监督图像分类器可以成为植物疾病诊断的强大工具,但它们需要大量的标记数据。异常检测的数据采掘技术包括不需要稀有样本来训练分类器的无监督方法。我们提出了一种基于颜色可重构性的无监督异常检测技术,用于基于图像的植物疾病诊断;训练用于重建\textit{healthy}植物图像颜色的深度编码器-解码器网络应该无法重建症状区域的颜色。我们提出的方法包括一个新的基于图像的植物病害检测框架,该框架利用了一个名为pix 2 pix的条件对抗网络和一个基于CIEDE 2000色差的新异常评分。与PlantVillage数据集的实验表明,我们提出的方法相比,现有的异常检测器在识别病害作物图像的准确性,可解释性和计算效率方面的优越性。
2021-09-08 cs.CV cs.LG
Evaluation of Predictive Data Mining Algorithms in Erythemato-Squamous Disease Diagnosis
Modibbo Adama University of Technology(莫迪博·阿达马理工大学);University of Ibadan(伊巴丹大学)
大量的时间都花在寻找最有效的数据采掘算法应用于临床诊断。该研究旨在确定应用于红斑鳞状疾病诊断的最有效的预测数据采掘算法。该研究使用朴素贝叶斯,多层感知器和J 48决策树归纳建立预测数据采掘模型的366例红斑鳞状疾病数据集。此外,10倍交叉验证和性能指标集用于评估分类器的基线预测性能。对比分析表明,朴素贝叶斯的准确率最高,为97.4%,多层感知器次之,准确率为96.6%,J 48最差,准确率为93.5%。对这些分类器在临床数据集上的评价,使我们深入了解了不同数据采掘算法的预测能力,这些算法适用于临床诊断,特别是在红斑鳞状疾病的诊断中。
2015-01-03 cs.CE cs.LG
Online Disease Self-diagnosis with Inductive Heterogeneous Graph Convolutional Networks
Tsinghua University(清华大学);Tencent Jarvis Lab(腾讯贾维斯实验室);Xi’an Jiaotong University(西安交通大学)
我们提出了一个医疗保健图卷积网络(HealGCN)提供疾病自我诊断服务的在线用户的基础上的电子病历(EHR)。在线疾病诊断的两个主要挑战是:(1)通过图卷积网络为冷启动用户提供服务;(2)通过症状检索系统处理稀缺的临床描述。为此,我们首先将EHR数据组织成能够对用户、症状和疾病之间的复杂交互进行建模的异构图,并使用归纳学习范式对疾病诊断进行图表示学习。然后,我们建立了一个疾病自我诊断系统与相应的EHR基于图的症状检索系统(GraphRet),可以搜索和提供相关的替代症状通过跟踪预定义的元路径的列表。GraphRet有助于丰富种子症状集通过EHR图时,面对用户与稀缺的描述,从而产生更好的诊断准确性。最后,我们在一个大规模的电子病历数据集上验证了我们的模型的优越性。
2021-02-13 cs.AI cs.IR cs.LG
A Disease Diagnosis and Treatment Recommendation System Based on Big Data Mining and Cloud Computing
Hunan University(湖南大学);National Supercomputing Center in Changsha(国家超级计算长沙中心);Comsats Institute of Information Technology(COMSATS信息技术学院);The second affiliated hospital of Xi’an Jiaotong University(西安交通大学第二附属医院);State University of New York(纽约州立大学)
根据疾病不同阶段的不同症状提供相应的治疗方案至关重要。然而,大多数分类方法可能无法准确分类具有多治疗阶段,多种症状和多发病机制的疾病。此外,不同部门和医院之间在疾病诊断和治疗方面的交流和合作行动有限。因此,当新的疾病出现非典型症状时,经验不足的医生可能难以迅速准确地识别它们。因此,为了最大限度地利用发达医院的先进医疗技术和经验丰富的医生的丰富的医学知识,疾病诊断和治疗建议系统(DDTRS),本文提出。首先,为了更准确地有效地识别疾病症状,引入密度峰值聚类分析(DPCA)算法进行疾病症状聚类。此外,分别采用Apriori算法对疾病诊断(D-D)规则和疾病治疗(D-T)规则进行关联分析。适当的诊断和治疗方案建议患者和经验不足的医生,即使他们是在一个有限的治疗环境。此外,为了达到高性能和低延迟响应的目标,我们使用Apache Spark云平台实现了DDTRS的并行解决方案。大量的实验结果表明,所提出的DDTRS有效地实现了疾病症状聚类,并智能和准确地得出疾病治疗建议。
2018-10-17 cs.LG stat.ML
Deep Neural Network Based Ensemble learning Algorithms for the healthcare system (diagnosis of chronic diseases)
Iran University of Science and Technology(伊朗科技大学)
学习算法。在本文中,我们回顾了医疗保健系统(慢性病)中使用的分类算法,并提出了基于神经网络的Enhancement学习方法。我们简要介绍了常用的算法,并描述其关键属性。材料与方法:在这项研究中,现代分类算法用于医疗保健,检查这些方法和准则的原则,并准确地诊断和预测慢性疾病,优越的机器学习算法与基于神经网络的集成学习被使用。为了做到这一点,我们使用实验数据,慢性病患者(糖尿病,心脏病,癌症)的真实数据,可在UCI网站上获得。结果:我们发现,设计用于诊断慢性疾病的组算法比基线算法更有效。它还确定了进一步推进慢性病诊断中机器学习分类的几个挑战。结论:结果表明,高性能的神经网络为基础的包围学习方法的诊断和预测的慢性疾病,在这项研究中达到98.5%,99%和100%的准确率,分别。
2021-03-15 cs.AI cs.LG
Causal-Discovery Performance of ChatGPT in the context of Neuropathic Pain Diagnosis
KTH Royal Institute of Technology(KTH皇家理工学院);Microsoft Research(微软研究院)
ChatGPT在自然语言对话方面表现出了卓越的能力,例如,它可以回答广泛的问题,而以前的大语言模型不能。因此,我们希望通过使用因果发现中的医学基准(Tu et al. 2019)来推动其极限并探索其回答因果发现问题的能力。
2023-02-06 cs.CL cs.LG
Tensor-Based Multi-Modality Feature Selection and Regression for Alzheimer's Disease Diagnosis
Lehigh University(理海大学);University of Pittsburgh(匹兹堡大学);The Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院)
与大脑变化相关的阿尔茨海默病(AD)和轻度认知障碍(MCI)的评估仍然是一项具有挑战性的任务。近年来的研究表明,多模态影像学技术的结合能更好地反映AD和MCI的病理特征,有助于更准确地诊断AD和MCI。在本文中,我们提出了一种新的基于张量的多模态特征选择和回归方法的诊断和生物标志物识别的AD和MCI从正常对照。具体来说,我们利用张量结构来利用多模态数据中固有的高级相关信息,并研究多元线性回归模型中的张量级稀疏性。我们提出了我们的方法的ADNI数据分析的实际优势,使用三种成像模式(VBM- MRI,FDG-PET和AV 45-PET)与疾病严重程度和认知评分的临床参数。实验结果表明,我们提出的方法对国家的最先进的疾病诊断和识别疾病特异性区域和模态相关的差异的优越性能。这项工作的代码可以在https://github.com/junfish/BIOS22上公开获得。
2022-09-23 cs.CV cs.LG
Skin disease diagnosis with deep learning: a review
Peking University(北京大学)
皮肤癌是全球最具威胁性的疾病之一。然而,正确诊断皮肤癌是具有挑战性的。最近,深度学习算法已经出现,可以在各种任务上实现出色的性能。特别地,它们已被应用于皮肤疾病诊断任务。本文综述了深度学习方法及其在皮肤病诊断中的应用。我们首先简要介绍了皮肤病和皮肤病学中的图像采集方法,并列出了几个公开的皮肤数据集用于训练和测试算法。然后,我们介绍了深度学习的概念,并回顾了流行的深度学习架构。此后,流行的深度学习框架,促进深度学习算法和性能评估指标的实施。作为本文的重要组成部分,我们随后根据具体任务从几个方面回顾了涉及深度学习方法用于皮肤病诊断的文献。此外,我们还讨论了该领域面临的挑战,并提出了未来可能的研究方向。本文的主要目的是对最近使用深度学习进行皮肤疾病诊断的工作进行概念性和系统性的回顾。鉴于深度学习的普及,该领域仍然存在巨大的挑战,以及我们可以在未来探索的机会。
2020-12-06 cs.CV cs.LG eess.IV
Revolutionizing Disease Diagnosis: A Microservices-Based Architecture for Privacy-Preserving and Efficient IoT Data Analytics Using Federated Learning
University of Manouba(马努巴大学);Prince Sultan University(苏丹王子大学)
针对传统中心化疾病诊断系统的隐私问题,提出基于微服务的物联网数据分析架构,结合联邦学习与迁移学习,经5800余张胸部X光图像验证,肺炎检测性能优于前沿技术。
2023-08-27 cs.AI cs.LG
EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出了一种新的基于图卷积神经网络(GCNN)的方法,用于改善使用头皮脑电图(EEG)的神经系统疾病的诊断。虽然EEG是用于神经系统疾病诊断的主要测试之一,但基于EEG的专家视觉诊断的灵敏度保持在$\sim$ 50\%。这表明,一个明确的需要先进的方法,以减少检测异常头皮脑电图的假阴性率。在这种情况下,我们专注于区分神经系统疾病患者的异常头皮脑电图的问题,这些患者最初被专家归类为“正常”,从健康个体的头皮脑电图。本文的贡献有三个方面:1)我们提出了EEG-GCNN,一种用于EEG数据的新型GCNN模型,它捕获了头皮电极之间的空间和功能连接,2)使用EEG-GCNN,我们对上述假设进行了第一次大规模评估,以及3)使用两个大型头皮EEG数据库,我们证明了EEG-GCNN显著优于人类基线和经典机器学习(ML)基线,AUC为0.90。
2020-11-17 cs.LG eess.SP
A Bayesian Approach for Medical Inquiry and Disease Inference in Automated Differential Diagnosis
Arizona State University(亚利桑那州立大学)
我们提出了一个贝叶斯方法的医疗查询和疾病推理,在鉴别诊断的两个主要阶段。与以前的工作不同,模拟给定概率的数据并对其使用ML算法,我们直接使用快速医学参考(QMR)信念网络,并在推理阶段应用贝叶斯推理,在查询阶段应用贝叶斯实验设计。此外,我们通过将贝叶斯实验设计框架从一步搜索扩展到多步搜索来改进查询阶段。我们的方法具有一些实际优势,因为它是可解释的,无需昂贵的培训,并且能够适应新的变化而无需任何额外的努力。我们的实验表明,我们的方法在两个模拟数据集SymCAT和HPO上取得了新的最先进的结果,在两个诊断对话数据集Muzhi和Dxy上取得了有竞争力的结果。
2021-10-23 cs.AI cs.LG
Machine Learning-Based Disease Diagnosis:A Bibliometric Analysis
University of Oklahoma(俄克拉荷马大学)
机器学习(ML)作为一种新的适应性强的疾病诊断工具,已经引起了研究人员和从业人员的极大关注。随着机器学习的进步以及该领域论文和研究的激增,需要对基于机器学习的疾病诊断(MLBDD)进行全面检查。本文从文献计量学的角度对2012 - 2021年的MLBDD论文进行了全面研究。因此,与特定的关键词,1710篇论文的相关信息已被提取的Scopus和Web of Science(WOS)数据库,并集成到Excel Excel Excel中进行进一步分析。首先,我们根据年度出版物和最具生产力的国家/地区,机构和作者来检查出版物结构。其次,使用R-studio软件可视化国家/地区、机构、作者和文章的共同引文网络。在引文结构和最有影响力的方面,他们进一步检查。本文为对该主题感兴趣的研究人员提供了MLBDD的概述,并为那些有兴趣在这一领域进行更多研究的人进行了全面而完整的MLBDD研究。
2022-01-08 cs.DL cs.LG
Coronary Heart Disease Diagnosis Based on Improved Ensemble Learning
Universitas Gadjah Mada(加查马达大学)
在对冠心病进行适当的治疗之前,需要准确的诊断。基于机器学习的方法已经被许多研究者提出来提高冠心病诊断的准确性。包围学习和级联泛化是提高学习算法泛化能力的方法之一。本研究的目的是开发基于集成学习和级联泛化的心脏病诊断方法。提出了一种基于松耦合策略的级联综合方法。C4. 5和RIPPER算法作为元级算法,朴素贝叶斯算法作为基级算法。Bagging和Random Subspace用于构建集成。将混合级联集成方法与非集成模式和非级联模式下的学习算法进行了比较。并与轮伐林方法进行了比较。基于评价结果,混合级联集成方法证明了最好的结果为给定的心脏病诊断的情况下。进行准确性和多样性评估,以分析级联策略的影响。在此基础上,集成分类器的准确性有所提高,但多样性有所下降。
2020-07-06 cs.CV cs.LG eess.IV
An Automated Approach for Timely Diagnosis and Prognosis of Coronavirus Disease
New York University(纽约大学);Bournemouth University(伯恩茅斯大学)
自2019冠状病毒病(COVID-19)爆发以来,大部分受影响的患者被诊断为高烧、干咳和喉咙发炎,导致严重肺炎。因此,迄今为止,肺部影像学诊断COVID-19被证明是早期诊断疾病的主要证据。尽管使用实时逆转录酶聚合酶链反应(rRT-PCR)的核酸检测仍然是检测COVID-19的金标准,但所提出的方法侧重于通过非造影胸部计算机断层扫描(CT)对疾病进行自动诊断和预后,以便及时诊断和分诊患者。预后包括疾病的量化和评估,以帮助医院管理和规划关键资源,如医务人员,急救人员和重症监护室(ICU)的能力。该方法利用深度学习技术自动量化COVID-19疾病的严重程度,方法是测量肺部周围(CP)的多个圆形毛玻璃样阴影(GGO)和实变的面积,并将其累积形成严重程度评分。疾病的严重程度可以与分诊期间处方的药物相关联,以评估治疗的有效性。所提出的方法显示出有希望的结果,其中分类模型实现了93%的准确率保持数据。
2021-04-29 cs.CV cs.LG eess.IV
Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning
China University of Petroleum-Beijing at Karamay(中国石油大学(北京)克拉玛依校区);China University of Petroleum(中国石油大学)
本研究基于ADNI数据集,采用随机森林填补缺失数据等预处理策略,通过Spearman相关系数筛选特征,构建并对比了随机森林、XGBoost和SVM三种模型,发现XGBoost诊断准确率达91%,为阿尔茨海默病早期检测提供了有效方法。
2024-02-13 cs.LG stat.AP
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
A Novel Approach to the Diagnosis of Heart Disease using Machine Learning and Deep Neural Networks
James B. Conant High School(詹姆斯·B·柯南特高中);Cleveland Clinic Foundation(克利夫兰诊所基金会)
心脏病是世界范围内死亡的主要原因。目前,33%的病例被误诊,大约一半的心肌梗死发生在预计没有风险的人群中。人工智能的使用可以减少错误的机会,从而可能更早地诊断,这可能是生与死的区别。该项目的目标是使用机器学习(ML)和深度神经网络(DNN)算法开发辅助心脏病诊断的应用程序。数据集由克利夫兰临床基金会提供,模型是基于各种优化和超参数化技术(包括网格搜索算法)构建的。在Flask上运行并使用Bootstrap的应用程序是使用DNN开发的,因为它的性能高于随机森林ML模型,总准确率为92%。
2020-07-25 cs.LG stat.ML
Understanding 3D CNN Behavior for Alzheimer's Disease Diagnosis from Brain PET Scan
Georgia State University(佐治亚州立大学)
最近几天,卷积神经网络(CNN)在医学图像分析中表现出令人印象深刻的性能。然而,人们对卷积神经网络为什么以及如何在图像分析任务中表现如此出色缺乏清晰的理解。CNN如何分析图像并区分不同类别的样本通常被认为是不透明的。结果,在临床程序和自动疾病诊断系统中应用基于CNN的方法变得困难。在本文中,我们考虑这个问题,并致力于可视化和理解卷积神经网络用于阿尔茨海默病(AD)诊断的决策。我们使用大脑PET扫描开发了一个用于AD诊断的3D深度卷积神经网络,并提出使用五种可视化技术-灵敏度分析(反向传播),引导反向传播,闭塞,大脑区域闭塞和分层相关传播(LRP),通过突出显示PET数据中的相关区域来理解CNN的决策。
2019-12-26 cs.CV cs.LG eess.IV
Alzheimer's Disease Diagnosis via Deep Factorization Machine Models
Ludwig-Maximilians-Universität(路德维希-马克西米利安大学);Indiana University School of Medicine(印第安纳大学医学院)
目前用于阿尔茨海默病诊断的最先进的深度神经网络(DNN)使用不同的生物标志物组合来对患者进行分类,但是不允许提取关于生物标志物的相互作用的知识。然而,为了提高我们对疾病的理解,从学习模型中提取这些知识至关重要。在本文中,我们提出了一种深度因子分解机模型,它结合了DNN学习复杂关系的能力和线性模型的可解释性。所提出的模型有三个部分:(i)处理稀疏分类数据的嵌入层,(ii)有效学习成对交互的因子分解机,以及(iii)隐式建模高阶交互的DNN。在我们对阿尔茨海默病神经影像学倡议数据的实验中,我们证明了我们提出的模型比竞争模型更准确地分类认知正常,轻度认知障碍和痴呆症患者。此外,我们表明,可以获得有关生物标志物之间的相互作用的有价值的知识。
2021-08-12 cs.CV cs.LG
MIMIC-RD: Can LLMs differentially diagnose rare diseases in real-world clinical settings?
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Illinois College of Medicine(伊利诺伊大学医学学院)
MIMIC-RD通过直接映射临床文本实体到Orphanet,评估LLM在真实临床环境下的罕见病差异性诊断能力,发现现有模型表现不佳,揭示了临床需求与现有能力之间的差距。
2025-12-18 cs.AI cs.CL cs.LG
Deep Learning Approaches for Blood Disease Diagnosis Across Hematopoietic Lineages
Stanford University(斯坦福大学)
提出深度学习基础框架,用自编码器压缩基因特征至256维,经多种架构验证,血液疾病多分类准确率超95%,零样本二分类F1超0.7。
2025-03-25 cs.LG q-bio.QM
Supervised Heterogeneous Multiview Learning for Joint Association Study and Disease Diagnosis
Purdue University(普渡大学)
鉴于遗传变异和各种表型特征,如磁共振成像(MRI)特征,我们考虑生物医学研究中两个重要且相关的任务:i)选择用于疾病诊断的遗传和表型标记,ii)识别遗传和表型数据之间的关联。这两项任务紧密耦合,因为遗传变异和表型特征之间的潜在关联包含疾病的生物学基础。虽然各种稀疏模型已被应用于疾病诊断和典型相关分析,但其扩展已被广泛用于关联研究(例如,eQTL分析),这两个任务已被分开处理。为了统一这两个任务,我们提出了一个新的稀疏贝叶斯方法的联合关联研究和疾病诊断。在该方法中,基于稀疏投影矩阵从不同的数据源中提取共同的潜在特征,并用于基于高斯过程有序回归来预测多个疾病严重程度水平;反过来,疾病状态用于指导数据源之间的关系的发现。稀疏投影矩阵不仅揭示了数据源之间的相互作用,而且还选择了与疾病相关的生物标志物组。为了从数据中学习模型,我们开发了一个有效的变分期望最大化算法。仿真结果表明,我们的方法在预测有序标签和发现数据源之间的关联方面都比其他方法具有更高的准确性。我们将我们的方法应用于阿尔茨海默病(AD)研究的成像遗传学数据集。我们的方法确定了遗传变异,MRI特征和AD状态之间的生物学意义的关系,并实现了显着更高的准确性预测有序AD阶段比竞争的方法。
2013-10-16 cs.CE cs.LG stat.ML
Towards Practical Application of Deep Learning in Diagnosis of Alzheimer's Disease
Texas Tech Neuroimaging Institute, Texas Tech University(德克萨斯理工大学神经影像研究所,德克萨斯理工大学)
阿尔茨海默病(AD)的准确诊断既具有挑战性又耗时。有了早期检测和诊断AD的系统方法,可以采取措施治疗和预防该疾病。本研究探讨了深度学习模型在AD诊断中的实际应用。由于计算复杂性,大量的训练时间和标记数据集的有限可用性,3D全脑CNN(卷积神经网络)并不常用,研究人员通常更喜欢2D CNN变体。在这项研究中,设计、训练和测试了著名的2D CNN的全脑3D版本,用于诊断AD的各个阶段。深度学习方法在区分超过1500个全脑体积的AD的各个阶段方面表现出良好的性能。除了分类,深度学习模型还能够提取区分各种类别的关键特征。所提取的特征与有意义的解剖标志对齐,目前专家认为这在识别AD中很重要。对所有算法进行了集成测试,集成算法的性能优于任何单个算法,进一步提高了诊断能力。经过训练的CNN及其集合的3D版本有可能被并入软件包中,这些软件包可以由医生/放射科医生使用,以帮助他们更好地诊断AD。
2022-12-08 cs.AI cs.LG eess.IV
MoRA: LoRA Guided Multi-Modal Disease Diagnosis with Missing Modality
Carnegie Mellon University(卡内基梅隆大学);Harvard University(哈佛大学)
针对多模态疾病诊断中模态缺失影响性能、全模型微调计算成本高的问题,提出模态感知低秩适配方法MoRA,以极低参数量实现缺失模态下的性能提升与高效训练。
2024-08-17 cs.CV cs.LG
A Hybrid Deep Learning Approach for Diagnosis of the Erythemato-Squamous Disease
Indian Institute of Management Ahmedabad(印度管理学院艾哈迈达巴德分校)
红斑鳞状上皮病(ESD)的诊断一直是皮肤科的难题。ESD是一种皮肤病。它通常会导致皮肤发红,也可能导致皮肤脱落。这通常是由遗传或环境因素造成的。ESD包括六类皮肤病,即毛发红色糠疹、扁平苔藓、慢性皮炎、牛皮癣、皮脂腺性皮炎和玫瑰糠疹。ESD的自动诊断可以帮助医生和皮肤科医生减少他们的工作量,并更快地做出治疗决定。文献中充满了使用传统机器学习方法诊断ESD的作品。然而,将深度学习应用于ESD诊断的实例并不多。在本文中,我们提出了一种新的混合深度学习方法,即Derm 2 Vec用于ESD的诊断。Derm 2 Vec是一个混合深度学习模型,由自动编码器和深度神经网络组成。我们还将传统的深度神经网络(DNN)用于ESD的分类。我们将Derm 2 Vec和DNN以及其他传统的机器学习方法应用于真实世界的皮肤病学数据集。Derm 2 Vec方法被认为是最好的执行者(当考虑到预测精度时),其次是DNN和极端梯度提升。Derm 2 Vec、DNN和极端梯度提升的平均CV得分分别为96.92%、96.65%和95.80%。
2020-05-24 cs.LG stat.ML
ADiag: Graph Neural Network Based Diagnosis of Alzheimer's Disease
National Institute of Mental Health and Neurosciences (NIMHANS)(国家精神卫生与神经科学研究所(NIMHANS))
阿尔茨海默病(AD)是最普遍的神经退行性疾病,影响全世界超过5000万人。虽然它的进展无法阻止,但早期和准确的诊断测试可以大大改善患者的生活质量。目前,只有定性的测试手段,采用的形式得分的表现对电池的认知测试。这种方法的固有缺点是准确诊断的负担落在临床医生的能力上。像MRI扫描评估这样的定量方法充其量是不准确的,因为视觉上可观察到的大脑变化是难以捉摸的。在替代这些缺点,现有的AD诊断方法,我们已经开发了ADiag,一种新的定量方法来诊断AD通过GraphSAGE网络和密集微分池(DDP)分析的基础上,不同结构区域的皮层之间的厚度差异的大型图形。ADiag的初步测试显示,其准确率高达83%,大大优于其他定性和定量诊断技术。
2021-01-08 cs.CV cs.LG eess.IV
Highly Accurate Disease Diagnosis and Highly Reproducible Biomarker Identification with PathFormer
Washington University in St. Louis(圣路易斯华盛顿大学);The Hong Kong Polytechnic University(香港理工大学);Institute for Informatics (I2)(信息学研究所(I2));Peking University(北京大学);Washington University School of Medicine(华盛顿大学医学院)
针对现有GNN在组学数据分析中诊断准确率低且生物标志物识别重现性差的问题,提出PathFormer模型,通过整合信号网络、先验知识与组学数据,显著提升了疾病诊断准确率与生物标志物排序的可重现性。
2024-02-11 cs.AI cs.LG q-bio.GN
A Survey on Automated Diagnosis of Alzheimer's Disease Using Optical Coherence Tomography and Angiography
Isik University(伊希克大学);Istanbul Technical University(伊斯坦布尔技术大学)
视网膜光学相干断层扫描(OCT)和光学相干断层血管造影(OCTA)是(早期)诊断阿尔茨海默病(AD)的有前途的工具。这些非侵入性成像技术具有成本效益,比其他神经成像工具更容易获得。然而,即使对于受过训练的从业者来说,对OCT设备产生的多切片扫描进行解释和分类也是耗时且具有挑战性的。有关于机器学习和深度学习方法的调查,涉及对各种疾病(如青光眼)的OCT扫描的自动分析。然而,目前的文献缺乏广泛的调查阿尔茨海默病或认知功能障碍的诊断使用OCT或OCTA。这促使我们针对需要介绍该问题的机器/深度学习科学家或从业者进行全面调查。论文包含1)介绍阿尔茨海默病和认知障碍的医学背景以及使用OCT和OCTA成像模式进行诊断,2)从自动化分析的角度回顾该问题和子问题的各种技术建议,3)对最近的深度学习研究和可用的OCT/OCTA数据集直接针对阿尔茨海默病和认知障碍的诊断。对于后者,我们使用Publish or Perish Software从Scopus、PubMed和Web of Science等各种来源搜索相关研究。我们遵循PRISMA方法筛选了3073篇参考文献的初始库,并确定了10项直接针对AD诊断的相关研究(N=10,3073)。我们发现缺乏开放的OCT/OCTA数据集(关于阿尔茨海默病)是阻碍该领域进展的主要问题。
2022-09-07 cs.AI cs.LG eess.IV
Linear Prediction Residual for Efficient Diagnosis of Parkinson's Disease from Gait
Center for Computational Natural Sciences and Bioinformatics, IIIT Hyderabad(海得拉巴国际信息技术学院计算自然科学与生物信息学中心)
帕金森氏病(PD)是一种慢性进行性神经系统疾病,其导致僵硬、震颤和姿势不稳定。没有明确的医学测试来诊断PD,诊断主要是临床练习。虽然有指南,但大约10-30%的患者被误诊为PD。因此,需要一种准确、无偏见和快速的诊断方法。在这项研究中,我们提出了LPGNet,一种快速准确的方法来诊断PD步态。LPGNet使用线性预测残差(LPR)从步态记录中提取识别模式,然后使用具有深度可分离卷积的一维卷积神经网络进行诊断。LPGNet实现了AUC为0.91,与现有技术相比,加速了21倍,模型中的参数减少了约99%。我们还对文献中用于PD步态诊断的各种交叉验证策略进行了分析,发现大多数方法都受到各种褶皱之间某种形式的数据泄漏的影响,这导致了不必要的大模型和过度拟合导致的膨胀性能。本文的分析为今后正确评价这些方法的工作扫清了道路。
2021-07-09 cs.LG eess.IV
DDD: Discriminative Difficulty Distance for plant disease diagnosis
Hosei University(法政大学)
本文提出判别难度距离(DDD)度量,用于量化植物病害诊断中训练与测试数据的域差距和分类难度,并验证其与独立分类器诊断难度高度相关,为构建更稳健的数据集提供依据。
2025-01-01 cs.CV cs.LG
EEG functional connectivity and deep learning for automatic diagnosis of brain disorders: Alzheimer's disease and schizophrenia
Technische Hochschule Aschaffenburg(阿沙芬堡应用技术大学);Universidade de São Paulo (USP)(圣保罗大学)
精神障碍是全世界残疾的主要原因之一。治疗这些疾病的第一步是获得准确的诊断,但由于缺乏成熟的临床测试,这项任务具有挑战性。机器学习算法可以为这个问题提供可能的解决方案,正如我们在这项工作中所描述的那样。我们提出了一种基于从EEG时间序列和深度学习获得的连接矩阵来自动诊断精神障碍的方法。我们表明,我们的方法可以对阿尔茨海默病和精神分裂症患者进行分类,具有很高的准确性。与传统的情况下,使用原始EEG时间序列的比较表明,我们的方法提供了最高的精度。因此,深度神经网络在大脑连接数据上的应用是一种非常有前途的神经疾病诊断方法。
2021-10-07 cs.CY cs.LG eess.SP
The Significance of Machine Learning in Clinical Disease Diagnosis: A Review
San Francisco Bay University(旧金山湾大学);University of Texas at El Paso(德克萨斯大学埃尔帕索分校);European University Bangladesh(孟加拉欧洲大学)
本文综述了机器学习在临床疾病诊断中的应用,重点分析各类ML算法在提升时间序列心率数据传输准确性与计算效率方面的最新趋势、数据类型、应用场景及评估指标,为医疗健康领域的MLBDD研究提供参考。
2023-10-25 cs.AI cs.CV cs.LG
Supervised Feature Selection for Diagnosis of Coronary Artery Disease Based on Genetic Algorithm
Oran University(奥兰大学)
特征选择是决策支持系统研究的热点,它需要分析大量的数据集。本文提出了一种基于遗传算法(GA)和贝叶斯朴素(BN)的基于FS的冠状动脉疾病(CAD)诊断方法。基本上,CAD数据集包含两个定义了13个特征的类。在GA BN算法中,GA在每次迭代中生成属性的子集,这些属性将在选择过程的第二步中使用BN进行评估。最后一组属性包含最相关的特征模型,从而提高了准确性。在这种情况下,该算法在CAD的诊断中产生85.50%的分类准确率。最后,将该算法与支持向量机、多层感知器和C4.5决策树算法进行了比较。分类准确率分别为83.5%、83.16%和80.85%。最后,将GA包裹BN算法与其它FS算法进行了相应的比较。所获得的结果显示出非常有希望的结果,用于CAD的诊断。
2013-05-26 cs.CE cs.LG
OpenAPMax: Abnormal Patterns-based Model for Real-World Alzheimer's Disease Diagnosis
Guangxi Normal University(广西师范大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Capital Medical University(首都医科大学);Guilin Medical University(桂林医学院)
针对真实世界AD诊断中闭集假设的局限性,本文提出基于异常模式的开集识别模型OpenAPMax,通过聚类患者异常模式并利用极值理论建模距离以修改分类概率,实现了最先进的诊断性能。
2023-07-03 cs.AI cs.LG
Temporal Subtyping of Alzheimer's Disease Using Medical Conditions Preceding Alzheimer's Disease Onset in Electronic Health Records
Florida State University(佛罗里达州立大学);University of Florida(佛罗里达大学)
本研究利用谱聚类对近3万名AD患者的纵向电子健康记录进行时间亚型分型,识别出四种具有不同疾病进展模式的亚型,有助于早期检测和个性化治疗。
2022-02-22 cs.AI cs.LG stat.AP
A comparison of deep machine learning algorithms in COVID-19 disease diagnosis
Dr. Babasaheb Ambedkar Technological University(巴巴萨海布·安贝德卡尔技术大学);Chitkara University(奇卡拉大学);Pravara Rural Engineering College(普拉瓦拉农村工程学院);Sri Guru Granth Sahib World University(圣古鲁格兰特 sahib 世界大学)
这项工作的目的是使用深层神经网络模型来解决图像识别问题。如今,每个人都受到一种有害的冠状病毒疾病的威胁,也称为COVID-19疾病。冠状病毒的传播影响了世界上许多国家的经济。及早发现COVID-19患者对于避免传播和对社会的危害至关重要。病理检查和层析(CT)扫描有助于COVID-19的诊断。然而,这些测试具有诸如大量假阳性的缺点,并且这些测试的成本非常昂贵。因此,它需要找到一种简单,准确和更便宜的方法来检测有害的COVID-19疾病。胸部X光检查对发现这种疾病是有用的。因此,在本工作胸部中,使用现代机器学习技术将X射线图像用于诊断疑似COVID-19患者。对结果进行了分析,并得出了关于深度机器学习算法在图像识别问题中的有效性的结论。
2020-10-09 cs.CV cs.LG eess.IV
Performance Based Evaluation of Various Machine Learning Classification Techniques for Chronic Kidney Disease Diagnosis
University of Jammu(查谟大学);Government Medical College(政府医学院)
人工智能(AI)及其相关领域的应用领域日益增多,从计算机科学的核心领域开始,它们在各种其他领域中找到了应用。近年来,机器学习(AI的一个子领域)已被广泛用于帮助医学专家和医生预测、诊断和预后各种疾病和其他医学疾病。在这篇论文中,作者将各种机器学习算法应用于医疗诊断领域的问题,并分析了它们在预测结果方面的效率。本研究以慢性肾脏病的诊断为研究对象,使用400个实例和24个属性作为数据集。作者通过将12种分类技术应用于慢性肾脏病数据来评估它们。为了计算效率,将候选方法的预测结果与受试者的实际医疗结果进行比较。用于性能评估的各种度量是预测准确度、精确度、灵敏度和特异性。结果表明,决策树法的准确率为98.6%,灵敏度为0.9720,精确度为1,特异度为1。
2016-07-18 cs.AI cs.CY cs.LG
RURA-Net: A general disease diagnosis method based on Zero-Shot Learning
School of Computer Science and Technology, University of Chinese Academy of Sciences(中国科学院大学计算机科学与技术学院)
针对医学标注数据稀缺问题,提出基于零样本学习的通用疾病诊断方法RURA-Net,结合孪生神经网络、U-Net与ResNet-Agglomerative聚类实现近似诊断,实验证明其性能优于多数少样本和单样本模型。
2025-02-26 cs.AI cs.CV cs.LG
An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization
University of Science and Technology of China(中国科学技术大学);The Ohio State University(俄亥俄州立大学)
早期准确诊断阿尔茨海默病(AD)及其前驱期轻度认知功能损害(MCI),对于延缓疾病进展、提高患者生活质量至关重要。新兴的将深度学习与结构磁共振成像(sMRI)相结合的计算机辅助诊断方法取得了令人鼓舞的成果,但其中一些方法存在数据泄漏和无法解释的诊断等问题。在这项研究中,我们提出了一种新的端到端深度学习方法,用于自动诊断AD,并从sMRI数据中定位与疾病相关的重要大脑区域。该方法基于二维单模型策略,与现有方法的区别在于:1)对不同结构和容量的卷积神经网络(CNN)模型进行系统评价,选择最适合AD诊断的模型; 2)两阶段随机扩充(TRRA)提出了一种新的分类方法,以缓解由于训练数据有限而导致的过拟合问题,提高AD诊断中的分类性能; 3)Grad-CAM++的解释方法是为了生成视觉上可解释的热图,这些热图可以定位和突出显示我们的模型所关注的大脑区域,并使我们的模型更加透明。我们的方法已经在两个公开访问的数据集上进行了评估,用于AD与认知正常(CN)和进行性MCI(pMCI)与稳定MCI(sMCI)的两个分类任务。实验结果表明,我们的方法优于国家的最先进的方法,包括使用多模型和3D CNN方法。从我们的方法得到的定位热图还突出了侧脑室和一些疾病相关的皮质区域,与AD发展过程中常见的受影响区域一致。
2021-07-28 cs.CV cs.LG eess.IV
Machine Learning Sensors for Diagnosis of COVID-19 Disease Using Routine Blood Values for Internet of Things Application
Petrozavodsk State University(彼得罗扎沃茨克国立大学);Erzincan Binali Yıldırım University(埃尔津詹·比纳利·耶尔德勒姆大学)
医疗保健数字化需要有效应用人体传感器,因为物联网(IoT)可以在日常生活中即时监测人体的各种参数。特别是,用于快速诊断COVID-19的机器学习(ML)传感器是医疗保健和环境辅助生活(AAL)中物联网应用的重要选择。通过各种诊断测试和成像结果确定COVID-19感染状态是昂贵且耗时的。这项研究为基于入院时测量的常规血液值(RBVs)诊断COVID-19提供了一种快速,可靠和具有成本效益的替代工具。该研究的数据集由总计5296名患者组成,这些患者具有相同数量的阴性和阳性COVID-19检测结果以及51个常规血液值。本文对13种常用的分类器机器学习模型和LogNNet神经网络模型进行了分析。在疾病检测的时间和准确性方面最成功的分类器模型是基于直方图的梯度提升(HGB)(准确性:100%,时间:6.39秒)。HGB分类器确定了11个最重要的特征(LDL、胆固醇、HDL-C、MCHC、甘油三酯、淀粉酶、UA、LDH、CK-MB、ALP和MCH),以100%的准确度检测疾病。此外,还讨论了这些特征的单一、双重和三重组合在疾病诊断中的重要性。我们建议使用这11个特征及其二进制组合作为ML传感器诊断疾病的重要生物标志物,支持Arduino和云物联网服务上的边缘计算。
2022-10-20 cs.LG physics.med-ph q-bio.QM
A Fully-Automatic Framework for Parkinson's Disease Diagnosis by Multi-Modality Images
Fudan University(复旦大学);Army Medical Center of PLA(中国人民解放军陆军军医中心);North Huashan Hospital, Fudan University(复旦大学附属华山北院);Huashan Hospital, Fudan University(复旦大学附属华山医院)
背景:帕金森病(PD)是一种常见的长期神经退行性疾病。虽然PD的诊断标准相对较好地定义,但目前的医学成像诊断程序对专业知识要求很高,因此需要更高集成度的基于AI的诊断算法。研究方法:在本文中,我们提出了一个自动的,端到端的,多模态诊断框架,包括分割,配准,特征生成和机器学习,处理纹状体的信息诊断PD。在拟议的框架中使用了多种模式,包括T1加权MRI和11 C-CFT PET。然后在华山医院PET中心的数据集上验证该框架的可靠性,因为该数据集包含18名正常(NL)受试者和49名PD受试者的配对T1-MRI和CFT-PET图像。结果如下:我们获得了100%的准确率为PD/NL分类任务,此外,我们进行了几个比较实验,以验证我们的框架的诊断能力。结论:实验结果表明:(1)自动分割与人工分割具有相同的分类效果;(2)多模态图像比单模态图像具有更好的预测效果;(3)体积特征与PD诊断无关。
2019-02-26 cs.LG q-bio.QM stat.ML
Prototypical Clustering Networks for Dermatological Disease Diagnosis
Georgia Tech(佐治亚理工学院);Curai(Curai公司);MIT(麻省理工学院)
我们考虑的问题,图像分类的目的是帮助医生在皮肤病学诊断。皮肤病诊断对标准现成技术提出了两个主要挑战:首先,数据分布通常是极长尾的。第二,类内可变性通常很大。为了解决第一个问题,我们将问题表述为低拍摄学习,一旦部署,基本分类器必须快速泛化以诊断新的条件,给出很少的标记示例。为了有效地对不同的类进行建模,我们提出了原型聚类网络(PCN),这是对原型网络的扩展,可以为每个类学习原型的混合。通过聚类为每个类初始化原型,并通过在线更新方案进行细化。分类是通过测量类内原型的加权组合的相似性来执行的,其中权重是推断的集群责任。我们展示了我们的方法在皮肤病的现实数据集上有效诊断的优势。
2018-11-07 cs.AI cs.CV cs.LG
Vision Transformers and Bi-LSTM for Alzheimer's Disease Diagnosis from 3D MRI
Louisiana State University Health Sciences Center at Shreveport(路易斯安那州立大学健康科学中心什里夫波特分校);Erzurum Technical University(埃尔祖鲁姆技术大学)
本研究提出结合ViT和Bi-LSTM处理3D MRI图像以诊断阿尔茨海默病,利用ADNI数据验证,该方法在准确率等指标上表现优异。
2024-01-06 cs.CV cs.LG eess.IV
Computer-Aided Clinical Skin Disease Diagnosis Using CNN and Object Detection Models
Hong Kong Baptist University(香港浸会大学);Harbin Institute of Technology(哈尔滨工业大学);The University of Hong Kong - Shenzhen Hospital(香港大学深圳医院);Shenzhen Yiyuan Intelligent Technology Co., Ltd.(深圳怡园智能科技有限公司)
皮肤病是人类最常见的疾病之一,可能发生在每个人身上,无论年龄,性别或种族。由于高度的视觉多样性,人类的诊断高度依赖于个人经验;在许多国家,有经验的皮肤科医生严重短缺。为了缓解这个问题,使用最先进的(SOTA)机器学习技术的计算机辅助诊断将是一个很有前途的解决方案。在本文中,我们的目标是了解基于卷积神经网络(CNN)的方法的性能。我们首先从互联网图像中构建两个版本的皮肤病数据集:(a)Skin-10,包含10种常见的皮肤病类别,共10,218张图像;(b)Skin-100,这是一个更大的数据集,由100种皮肤病类别的19,807张图像组成。基于这些数据集,我们对几个SOTA CNN模型进行了基准测试,结果表明skin-100的准确率远低于skin-10的准确率。然后,我们实现了一个集成方法的基础上,几个CNN模型,并实现了最好的准确率为79.01\%的皮肤10和53.54\%的皮肤100。我们还提出了一种基于对象检测的方法,通过引入边界框到皮肤-10数据集。我们的研究结果表明,对象检测可以帮助提高某些皮肤疾病类别的准确性。
2019-11-20 cs.CV cs.LG eess.IV
Towards reliable respiratory disease diagnosis based on cough sounds and vision transformers
Luca Healthcare(卢卡医疗);Ruijin Hospital, Shanghai Jiao Tong University School of Medicine(上海交通大学医学院附属瑞金医院);Shanghai Key Laboratory of Emergency Prevention, Diagnosis and Treatment of Respiratory Infectious Disease(上海市呼吸道传染病应急防控诊治重点实验室)
本文针对咳嗽声音呼吸疾病诊断中小规模数据和模型能力受限问题,提出在大规模咳嗽数据集上结合自监督与监督学习的分类方法,并在COVID-19和COPD分类任务上取得优于现有方法的性能。
2024-09-03 cs.CV cs.LG cs.SD
Coronary Artery Disease Diagnosis; Ranking the Significant Features Using Random Trees Model
University of Birjand(比尔詹德大学);Maragheh Faculty of Medical Sciences(马拉盖医科大学);Queensland University of Technology(昆士兰科技大学);Bauhaus Universität-Weimar(魏玛包豪斯大学);Obuda University(奥布达大学);Duy Tan University(越南大智大学);Ton Duc Thang University(东德大学)
心脏病是中年人最常见的疾病之一。在众多的心脏病中,冠状动脉疾病(coronary artery disease,CAD)被认为是一种常见的心血管疾病,死亡率高。诊断CAD的最流行的工具是使用医学成像,例如,动脉造影然而,血管造影术是众所周知的昂贵的,也与许多副作用。因此,本研究的目的是通过选择显着的预测功能,以他们的排名,以提高冠心病诊断的准确性。在这项研究中,我们提出了一种使用机器学习的集成方法。本文采用了随机树、C5.0决策树、支持向量机、卡方自动交互检测决策树等机器学习方法。所提出的方法显示了良好的效果,研究证实,RTs模型优于其他模型。
2020-01-16 cs.LG cs.NE physics.med-ph
FairDD: Enhancing Fairness with domain-incremental learning in dermatological disease diagnosis
College of Information Science and Technology(信息科学与技术学院);College of Cyber Security(网络空间安全学院)
本文提出了一种名为 FairDD 的皮肤病诊断网络,通过引入领域增量学习、mixup 数据增强和监督对比学习,在保持高准确性的同时有效缓解了模型决策偏差,实现了准确性与公平性的更优权衡。
2024-12-21 cs.CV cs.CY cs.LG