CN109875499B - 先天性白内障风险度的筛查方法和装置 - Google Patents
先天性白内障风险度的筛查方法和装置 Download PDFInfo
- Publication number
- CN109875499B CN109875499B CN201910136712.9A CN201910136712A CN109875499B CN 109875499 B CN109875499 B CN 109875499B CN 201910136712 A CN201910136712 A CN 201910136712A CN 109875499 B CN109875499 B CN 109875499B
- Authority
- CN
- China
- Prior art keywords
- attribute
- sample
- classification
- classified
- screening
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了先天性白内障风险度的筛查方法和装置，包括：获取待分类样本；将待分类样本通过机器学习方法进行分类，得到分类预测结果；根据分类预测结果确定筛查结果；其中，筛查结果包括正常和先天性白内障，实现无创伤和成本低，检测准确率高。
Description
技术领域
本发明涉及医疗技术领域，尤其是涉及先天性白内障风险度的筛查方法和装置。
背景技术
先天性疾病是指一出生就有的病或出生后不久发现的疾病。母亲在怀孕期间接触环境有害因素，如农药、有机溶剂、重金属等化学品，或过量暴露在各种射线下，或服用某些药物，或染上某些病菌，都可能引起胎儿先天异常。因为先天性疾病治疗的难度大且效果相对较差，新生儿先天性疾病的预防是先天性疾病防治管理策略的首要任务。
传统的先天性疾病包括婴儿出生前的基因筛查和产前检查，以及出生后的新生儿常规疾病筛查。然而，这些检测对孕妇和婴儿具有创伤性，而且成本高。
发明内容
有鉴于此，本发明的目的在于提供先天性白内障风险度的筛查方法和装置，实现无创伤和成本低，检测准确率高。
第一方面，本发明实施例提供了先天性白内障风险度的筛查方法，所述方法包括：
获取待分类样本；
将所述待分类样本通过机器学习方法进行分类，得到分类预测结果；
根据所述分类预测结果确定筛查结果；
其中，所述筛查结果包括正常和先天性白内障。
进一步的，所述待分类样本包括正常样本和先天性白内障样本，所述机器学习方法包括朴素贝叶斯方法，所述将所述待分类样本通过机器学习方法进行分类，得到分类预测结果，包括：
计算所述正常样本中每种属性对应的第一概率；
计算所述先天性白内障样本中每种属性对应的第二概率；
根据所述每种属性对应的第一概率和所述每种属性对应的第二概率，得到所述分类预测结果。
进一步的，所述机器学习方法包括随机森林方法，所述将所述待分类样本通过机器学习方法进行分类，得到分类预测结果，包括：
将所述待分类样本通过所述随机森林方法，得到决策树的投票值；
比较所述决策树的投票值中属于正常的数量和先天性白内障的数量；
如果正常的投票值大于先天性白内障的投票值，则所述待分类样本为所述正常；
如果所述先天性白内障的投票值大于所述正常的投票值，则所述待分类样本为所述先天性白内障。
进一步的，所述待分类样本包括多种属性，所述多种属性构成原始属性集合，所述方法还包括：
计算所述原始属性集合中每种属性对应的权重；
将所述每种属性对应的权重按照从大到小的顺序进行排列；
根据排列结果确定所述每种属性的重要程度。
进一步的，所述计算所述原始属性集合中每种属性对应的权重，包括：重复执行以下处理，直至所述每种属性均被遍历：
从所述原始属性集合中选取任意属性作为当前属性；
计算所述当前属性在所述原始属性集合中的第一分类准确率；
将所述当前属性进行随机变化，得到变化后的当前属性，其中，在所述原始属性集合中，除所述当前属性以外的其他属性与所述变化后的当前属性构成变化属性集合；
计算所述变化后的当前属性在所述变化属性集合中的第二分类准确率；
根据所述第一分类准确率和所述第二分类准确率，得到所述当前属性的权重。
第二方面，本发明实施例提供了先天性白内障风险度的筛查装置，所述装置包括：
获取单元，用于获取待分类样本；
分类单元，用于将所述待分类样本通过机器学习方法进行分类，得到分类预测结果；
筛查结果确定单元，用于根据所述分类预测结果确定筛查结果；
其中，所述筛查结果包括正常和先天性白内障。
进一步的，所述机器学习方法包括随机森林方法，所述分类单元包括：
计算所述正常样本中每种属性对应的第一概率；
计算所述先天性白内障样本中每种属性对应的第二概率；
根据所述每种属性对应的第一概率和所述每种属性对应的第二概率，得到所述分类预测结果。
进一步的，所述机器学习方法包括随机森林方法，所述分类单元包括：
将所述待分类样本通过所述随机森林方法，得到决策树的投票值；
比较所述决策树的投票值中属于正常的数量和先天性白内障的数量；
如果正常的投票值大于先天性白内障的投票值，则所述待分类样本为所述正常；
如果所述先天性白内障的投票值大于所述正常的投票值，则所述待分类样本为所述先天性白内障。
进一步的，所述待分类样本包括多种属性，所述多种属性构成原始属性集合，所述装置还包括：
计算单元，用于计算所述原始属性集合中每种属性对应的权重；
排列单元，用于将所述每种属性对应的权重按照从大到小的顺序进行排列；
重要程度确定单元，用于根据排列结果确定所述每种属性的重要程度。
进一步的，所述计算单元包括：重复执行以下处理，直至所述每种属性均被遍历：
从所述原始属性集合中选取任意属性作为当前属性；
计算所述当前属性在所述原始属性集合中的第一分类准确率；
将所述当前属性进行随机变化，得到变化后的当前属性，其中，在所述原始属性集合中，除所述当前属性以外的其他属性与所述变化后的当前属性构成变化属性集合；
计算所述变化后的当前属性在所述变化属性集合中的第二分类准确率；
根据所述第一分类准确率和所述第二分类准确率，得到所述当前属性的权重。
本发明实施例提供了先天性白内障风险度的筛查方法和装置，包括：获取待分类样本；将待分类样本通过机器学习方法进行分类，得到分类预测结果；根据分类预测结果确定筛查结果；其中，筛查结果包括正常和先天性白内障，实现无创伤和成本低，检测准确率高。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的先天性白内障风险度的筛查方法流程图；
图2为本发明实施例一提供的先天性白内障风险度的筛查方法中步骤S102的流程图；
图3为本发明实施例一提供的另一先天性白内障风险度的筛查方法中步骤S102的流程图；
图4为本发明实施例二提供的先天性白内障风险度的筛查装置示意图。
图标：
10-获取单元；20-分类单元；30-筛查结果确定单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
实施例一：
图1为本发明实施例一提供的先天性白内障风险度的筛查方法。
参照图1，该方法包括以下步骤：
步骤S101，获取待分类样本；
步骤S102，将待分类样本通过机器学习方法进行分类，得到分类预测结果；
步骤S103，根据分类预测结果确定筛查结果；
其中，筛查结果包括正常和先天性白内障。
进一步的，待分类样本包括正常样本和先天性白内障样本，机器学习方法包括朴素贝叶斯方法，参照图2，步骤S102包括以下步骤：
步骤S201，计算正常样本中每种属性对应的第一概率；
步骤S202，计算先天性白内障样本中每种属性对应的第二概率；
步骤S203，根据每种属性对应的第一概率和每种属性对应的第二概率，得到分类预测结果。
具体地，正常样本和先天性白内障样本均包括多种属性，其中，多种属性包括但不限于家族遗传史、是否二胎以上、母亲孕期病毒感染史、是否早产儿、是否顺产、是否有吸氧保温史、儿童是否合并其他全身疾病、生活工作环境是否存在辐射污染、父母是否吸烟、父母教育水平和家庭收入情况。
从正常样本和先天性白内障样本中选择任意属性，作为第一属性。例如，第一属性为家族遗传史，分别计算正常样本中家族遗传史的第一概率和先天性白内障样本中家族遗传史的第二概率，然后再计算正常样本和先天性白内障样本中其他属性的概率，然后根据每种属性对应的第一概率和每种属性对应的第二概率，得到分类预测结果，根据分类预测结果确定正常人群中男性所占的比例，正常人群中女性所占的比例，先天性白内障人群中男性所占的比例，先天性白内障人群中女性所占的比例。
进一步的，机器学习方法包括随机森林方法，参照图3，步骤S102还包括以下步骤：
步骤S301，将待分类样本通过随机森林方法，得到决策树的投票值；
步骤S302，比较决策树的投票值中属于正常的数量和先天性白内障的数量；
步骤S303，如果正常的投票值大于先天性白内障的投票值，则所述待分类样本为所述正常；
步骤S304，如果所述先天性白内障的投票值大于所述正常的投票值，则所述待分类样本为所述先天性白内障。
具体地，随机森林方法是由多棵决策树组成的集成学习分类方法。对于一个待分类样本，是由多颗决策树投票完成。其中，每一棵决策树的训练使用随机选择的局部样本和属性完成，能够有效地避免过拟合。
其中，决策树将整个数据集看成一个集合,并且根据一定的标准将整个集合迭代的分割成多个子集从而达到分类的目的。决策树的分裂直到每一个叶子节点中无属性可以继续划分或者叶子节点中的样本同属于一类时停止。决策树的划分标准包含基尼系数，信息增益和信息增益比。
在本实施例中，将待分类样本作为随机森林方法的输入，最终输出决策树的投票值。决策树的投票值包括正常的投票值和先天性白内障的投票值，将正常的投票值与先天性白内障的投票值进行大小比较；如果正常的投票值大于先天性白内障的投票值，则待分类样本为正常；如果先天性白内障的投票值大于正常的投票值，则待分类样本为先天性白内障。
进一步的，待分类样本包括多种属性，多种属性构成原始属性集合，该方法还包括以下步骤：
步骤S401，计算原始属性集合中每种属性对应的权重；
步骤S402，将每种属性对应的权重按照从大到小的顺序进行排列；
步骤S403，根据排列结果确定每种属性的重要程度。
进一步的，步骤S401包括以下步骤：重复执行以下处理，直至每种属性均被遍历：
步骤S501，从原始属性集合中选取任意属性作为当前属性；
步骤S502，计算当前属性在原始属性集合中的第一分类准确率；
步骤S503，将当前属性进行随机变化，得到变化后的当前属性，其中，在原始属性集合中，除当前属性以外的其他属性与变化后的当前属性构成变化属性集合；
步骤S504，计算变化后的当前属性在变化属性集合中的第二分类准确率；
步骤S505，根据第一分类准确率和第二分类准确率，得到当前属性的权重。
具体地，对每种属性进行排序，可以确定每种属性对于分类的重要程度。对于原始属性集合{A1，A2,...,An}，从原始属性集合中选取任意属性Ai作为当前属性，计算当前属性在原始属性集合中的第一分类准确率acc1，将当前属性Ai进行随机变化，得到变化后的当前属性，计算变化后的当前属性Ai在变化属性集合中的第二分类准确率acc2；|acc2-acc1|用于衡量属性的重要程度。
在计算出所有属性对应的权重后，将每种属性对应的权重按照从大到小的顺序进行排列，根据排列结果可以确定每种属性的重要程度从重要到次要。
先天性白内障风险度的筛查方法得到的筛查结果对先天性白内障儿童具有良好的辨识能力，该方法采用内部4折交叉验证，曲线下面积(AUC)指标分别为：随机森林0.904[95％CI:0.877-0.931]，朴素贝叶斯0.891[0.862-0.919]，Adaboost为0.869[0.838-0.900]。另外，模型准确性、敏感性和特异性指标如表1所示：
表1
| 准确性 | 敏感性 | 特异性 | |
| 随机森林 | 0.825±0.006 | 0.757±0.010 | 0.888±0.015 |
| 朴素贝叶斯 | 0.805±0.021 | 0.768±0.013 | 0.840±0.033 |
| Adaboost | 0.823±0.008 | 0.754±0.011 | 0.888±0.014 |
通过使用外部数据对先天性白内障检测方法进行进一步验证。结果显示该方法具有良好的识别能力，曲线下面积(AUC)为：随机森0.827，朴素贝叶斯0.907，Adaboost为0.797，具体的模型准确性、敏感性和特异性等指标如表2所示。
同时，在模拟真实临床环境(先天性白内障低发病率)下检测该方法的识别效果，结果显示该方法仍然具有良好的识别能力，曲线下面积(AUC)为：随机森林第一轮为0.972，第二轮为0.929；朴素贝叶斯第一轮为0.995，第二轮为0.948；Adaboost第一轮为0.983，第二轮为0.889。另外，模型临床验证具体的准确性、敏感性和特异性等指标如表2所示。
表2
本发明实施例提供了先天性白内障风险度的筛查方法，包括：获取待分类样本；将待分类样本通过机器学习方法进行分类，得到分类预测结果；根据分类预测结果确定筛查结果；其中，筛查结果包括正常结果和先天性白内障结果，实现无创伤和成本低，检测准确率高。
实施例二：
图4为本发明实施例提供的先天性白内障风险度的筛查装置示意图。
参照图4，该装置包括获取单元10、分类单元20和筛查结果确定单元30。
获取单元10，用于获取待分类样本；
分类单元20，用于将待分类样本通过机器学习方法进行分类，得到分类预测结果；
筛查结果确定单元30，用于根据分类预测结果确定筛查结果；
其中，筛查结果包括正常结果和先天性白内障结果。
进一步的，机器学习方法包括随机森林方法，分类单元20包括：
计算正常样本中每种属性对应的第一概率；
计算先天性白内障样本中每种属性对应的第二概率；
根据每种属性对应的第一概率和所述每种属性对应的第二概率，得到分类预测结果。
进一步的，机器学习方法包括随机森林方法，分类单元20包括：
将待分类样本通过随机森林方法，得到决策树的投票值；
比较决策树的投票值中属于正常的数量和先天性白内障的数量；
如果正常的投票值大于先天性白内障的投票值，则待分类样本为正常；
如果先天性白内障的投票值大于正常的投票值，则待分类样本为先天性白内障。
进一步的，待分类样本包括多种属性，多种属性构成原始属性集合，该装置还包括：
计算单元(未示出)，用于计算所述原始属性集合中每种属性对应的权重；
排列单元(未示出)，用于将所述每种属性对应的权重按照从大到小的顺序进行排列；
重要程度确定单元(未示出)，用于根据排列结果确定所述每种属性的重要程度。
进一步的，计算单元(未示出)包括：重复执行以下处理，直至每种属性均被遍历：
从原始属性集合中选取任意属性作为当前属性；
计算当前属性在所述原始属性集合中的第一分类准确率；
将当前属性进行随机变化，得到变化后的当前属性，其中，在原始属性集合中，除当前属性以外的其他属性与变化后的当前属性构成变化属性集合；
计算变化后的当前属性在变化属性集合中的第二分类准确率；
根据第一分类准确率和第二分类准确率，得到当前属性的权重。
本发明实施例提供了先天性白内障风险度的筛查装置，包括：获取待分类样本；将待分类样本通过机器学习方法进行分类，得到分类预测结果；根据分类预测结果确定筛查结果；其中，筛查结果包括正常结果和先天性白内障结果，实现无创伤和成本低，检测准确率高。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的先天性白内障风险度的筛查方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的先天性白内障风险度的筛查方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (3)
1.一种先天性白内障风险度的筛查装置，其特征在于，所述装置包括：
获取单元，用于获取待分类样本；
分类单元，用于将所述待分类样本通过机器学习方法进行分类，得到分类预测结果；
筛查结果确定单元，用于根据所述分类预测结果确定筛查结果；
其中，所述筛查结果包括正常和先天性白内障；
所述待分类样本包括多种属性，所述多种属性构成原始属性集合，所述装置还包括：
计算单元，用于计算所述原始属性集合中每种属性对应的权重；
排列单元，用于将所述每种属性对应的权重按照从大到小的顺序进行排列；
重要程度确定单元，用于根据排列结果确定所述每种属性的重要程度；
所述计算单元包括：重复执行以下处理，直至所述每种属性均被遍历：
从所述原始属性集合中选取任意属性作为当前属性；
计算所述当前属性在所述原始属性集合中的第一分类准确率；
将所述当前属性进行随机变化，得到变化后的当前属性，其中，在所述原始属性集合中，除所述当前属性以外的其他属性与所述变化后的当前属性构成变化属性集合；
计算所述变化后的当前属性在所述变化属性集合中的第二分类准确率；
根据所述第一分类准确率和所述第二分类准确率，得到所述当前属性的权重。
2.根据权利要求1所述的先天性白内障风险度的筛查装置，其特征在于，所述机器学习方法包括朴素贝叶斯方法，所述分类单元包括：
计算所述正常样本中每种属性对应的第一概率；
计算所述先天性白内障样本中每种属性对应的第二概率；
根据所述每种属性对应的第一概率和所述每种属性对应的第二概率，得到所述分类预测结果。
3.根据权利要求1所述的先天性白内障风险度的筛查装置，其特征在于，所述机器学习方法包括随机森林方法，所述分类单元包括：
将所述待分类样本通过所述随机森林方法，得到决策树的投票值；
比较所述决策树的投票值中属于正常的数量和先天性白内障的数量；
如果正常的投票值大于先天性白内障的投票值，则所述待分类样本为所述正常；
如果所述先天性白内障的投票值大于所述正常的投票值，则所述待分类样本为所述先天性白内障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136712.9A CN109875499B (zh) | 2019-02-22 | 2019-02-22 | 先天性白内障风险度的筛查方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136712.9A CN109875499B (zh) | 2019-02-22 | 2019-02-22 | 先天性白内障风险度的筛查方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109875499A CN109875499A (zh) | 2019-06-14 |
| CN109875499B true CN109875499B (zh) | 2021-03-09 |
Family
ID=66929174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910136712.9A Active CN109875499B (zh) | 2019-02-22 | 2019-02-22 | 先天性白内障风险度的筛查方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109875499B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5636550B2 (ja) * | 2010-11-09 | 2014-12-10 | 株式会社コーナン・メディカル | 水晶体画像解析装置 |
| CN104881683B (zh) * | 2015-05-26 | 2018-08-28 | 清华大学 | 基于组合分类器的白内障眼底图像分类方法及分类装置 |
| DE102015009641A1 (de) * | 2015-07-24 | 2017-01-26 | Carl Zeiss Meditec Ag | Verfahren zur Klassifizierung der Katarakt eines Auges |
| CN109003252A (zh) * | 2017-05-30 | 2018-12-14 | 正凯人工智能私人有限公司 | 图像处理方法及系统 |
| CN109102885B (zh) * | 2018-08-20 | 2021-03-05 | 北京邮电大学 | 基于卷积神经网络与随机森林组合的白内障自动分级方法 |
-
2019
- 2019-02-22 CN CN201910136712.9A patent/CN109875499B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109875499A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9754081B2 (en) | Context-aware prediction in medical systems | |
| Kleinberg | Causality, probability, and time | |
| Di Giunta et al. | Developmental trajectories of physical aggression: prediction of overt and covert antisocial behaviors from self-and mothers’ reports | |
| CN113053535B (zh) | 一种医疗信息预测系统及医疗信息预测方法 | |
| Farcomeni et al. | Robust estimation for the Cox regression model based on trimming | |
| Chadaga et al. | Medical diagnosis of COVID-19 using blood tests and machine learning | |
| Mekawi et al. | Characterizing typologies of polytraumatization: A replication and extension study examining internalizing and externalizing psychopathology in an urban population | |
| Shrestha et al. | Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection | |
| Rudd | Application of support vector machine modeling and graph theory metrics for disease classification | |
| Turkheimer et al. | Interaction between parental education and twin correlations for cognitive ability in a Norwegian conscript sample | |
| Gruber et al. | Using electronic health records to identify candidates for human immunodeficiency virus pre‐exposure prophylaxis: An application of super learning to risk prediction when the outcome is rare | |
| CN115938590A (zh) | 结直肠癌术后lars预测模型的构建方法及预测系统 | |
| Batterham et al. | Data mining: Potential applications in research on nutrition and health | |
| Chou et al. | Machine learning for mortality prediction in pediatric myocarditis | |
| CN109875499B (zh) | 先天性白内障风险度的筛查方法和装置 | |
| Chadaga et al. | COVID-19 diagnosis using clinical markers and multiple explainable artificial intelligence approaches: a case study from Ecuador | |
| Jiang et al. | Identification of the clustering structure in microbiome data by density clustering on the Manhattan distance | |
| Meier et al. | The role of harsh discipline in explaining sex differences in conduct disorder: A study of opposite-sex twin pairs | |
| CN112233742A (zh) | 一种基于聚类的病历文档分类系统、设备、存储介质 | |
| Banik et al. | Confidence Intervals for the Population Correlation Coefficient | |
| Straat | Using scalability coefficients and conditional association to assess monotone homogeneity | |
| CN113707263B (zh) | 基于群体划分的药物有效性评价方法、装置及计算机设备 | |
| Scott et al. | Improving screening systems of autism using data sampling | |
| Henderson et al. | AR (1) latent class models for longitudinal count data | |
| Topcu | How to explain a machine learning model: HbA1c classification example |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |