CN113096814A - 一种基于多分类器融合的阿尔兹海默症分类预测方法 - Google Patents

一种基于多分类器融合的阿尔兹海默症分类预测方法 Download PDF

Info

Publication number
CN113096814A
CN113096814A CN202110589378.XA CN202110589378A CN113096814A CN 113096814 A CN113096814 A CN 113096814A CN 202110589378 A CN202110589378 A CN 202110589378A CN 113096814 A CN113096814 A CN 113096814A
Authority
CN
China
Prior art keywords
data
model
alzheimer
prediction
classifier fusion
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.)
Pending
Application number
CN202110589378.XA
Other languages
English (en)
Inventor
郑旭阳
苗世迪
程可
李静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202110589378.XA priority Critical patent/CN113096814A/zh
Publication of CN113096814A publication Critical patent/CN113096814A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及一种基于多分类器融合的阿尔兹海默症分类预测方法。本发明首先对所获得数据中含有的缺失数据和异常数据进行处理和评估，确保数据的有效性；然后结合专家知识和特征选择算法，从k个特征指标中选择出n个特征子集，n≤k，去掉冗余特征和无关特征，提高最终模型的预测效果；提出基于多分类器融合的预测模型；将经过预处理的数据集输入到所提出的模型中，通过多种评估方法评估模型的性能。本发明对阿尔兹海默症的分类预测具有更好的效果和普适性。

Description

一种基于多分类器融合的阿尔兹海默症分类预测方法
技术领域：
本发明涉及一种基于多分类器融合的阿尔兹海默症分类预测方法，该方法在阿尔兹海默症分类预测方面有着很好的应用。
背景技术：
阿尔兹海默症是一种破坏性神经退行性疾病，其病因学特征不完全，目前尚无有效的治疗方法，阿尔兹海默症及其前驱阶段-轻度认知障碍，与多种发病机制、标志物和风险相关，例如，年龄是发生阿尔兹海默症的著名风险指标，神经系统疾病的病史也与较高的阿尔兹海默症风险有关。
目前对于阿尔兹海默症早期诊断的方式主要集中在神经心理学测验、神经影像学检查、脑电图分析，以及脑脊液检测等，最近几年随着计算机技术和影像技术的发展，利用机器学习方法对阿尔兹海默症核磁共振图像进行分析，从而辅助医生前期诊断已经成为主流趋势，近年来，使用机器学习方法分析MRI图像来预测患者病症阶段取得了较好的效果，如随机森林，支持向量机，boosting算法等，对MRI的分析起到了很重要的作用，现已经开发出许多用于阿尔兹海默症诊断的预测方法，其中大多数使用Cox回归和Logistic回归得出，在过去的十年中，人们对随机森林，支持向量机以及用于阿尔兹海默症诊断的深度神经网络模型的应用也越来越感兴趣，上述研究通过各种方法展开对阿尔兹海默症预测的研究，也取得了较为完整的研究成果，但是单一的机器学习算法可能会存在过拟合问题，泛化能力较弱的问题，因此采用模型融合方法能够有效的避免单一算法产生的过拟合问题，其泛化能力和准确率也有很大的保障，基于卷积神经网络和集成学习的多切片集成分类模型用于阿尔兹海默症早期诊断，更充分地利用MRI包含的有效信息，从而提高分类的准确率和稳定性，虽然大多数深度学习模型在诊断分类方面表现出很好的表现，但它们的解释仍然是一个新兴的研究领域。
发明内容：
为了解决阿尔兹海默症分类预测问题，本发明公开了一种基于多分类器融合的阿尔兹海默症分类预测方法。
为此，本发明提供了如下技术方案：
1.基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，该方法包括以下步骤：
步骤1：对所获得数据中含有的缺失数据和异常数据进行处理和评估，确保数据的有效性。
步骤2：结合专家知识和特征选择算法，从k个特征指标中选择出n个特征子集，n≤k，去掉冗余特征和无关特征，提高最终模型的预测效果。
步骤3：提出基于多分类器融合的预测模型，该模型利用Stacking集成学习的思想，将bagging集成方法和boosting集成方法相结合并作为基分类器，通过超参数优化自适应选择基分类器的数量和元分类器，最终提高模型的普适性和预测能力。
步骤4：将经过预处理的数据集输入到所提出的模型中，通过多种评估方法评估模型的性能。
2.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤1中，对所获得数据中含有的缺失数据和异常数据进行处理，具体步骤为：
步骤1-1判断数据集的类型，是属于数值型，字符型还是混合类型。
步骤1-2对于缺失比例较大的数据直接进行删除，缺失比例不大的根据数据类型找到相对应的缺失值插补方法进行插值。
步骤1-3用异常值检测方法找出数据集中的异常值并删除。
3.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤2中，结合专家知识和特征选择算法，具体步骤为：
步骤2-1通过专家知识选择与AD相关的认知衰退的潜在预测因子，包括评估/生物标志物和危险因素。
步骤2-2将递归特征消除法和随机森林相结合，评估最优的特征组合。
步骤2-3通过交叉验证选择出含有k个特征的数据子集。
4.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤3中，提出基于多分类器融合的预测模型，具体步骤为：
步骤3-1首先利用超参数优化算法重复多次计算bagging算法和boosting算法中每个超参数的取值，最终生成每个超参数的一个最优集合。
步骤3-2然后用Stacking集成思想生成n个bagging基分类器和m个boosting基分类器，并给每个基分类器中的超参数在得到的最优集合进行随机采样，以及选择i个不同元分类器。
步骤3-3再利用超参数优化确定n和m的值以及元分类器的最终选择。
5.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤4中，多种评估方法评估模型的性能，具体步骤为：
步骤4-1将经过特征选择确认的特征分为5种模式类型：1.CFA 2.MRI3.PET 4.CSF5.年龄，将特征分组的原因是为了确定是否具有成本效益和非侵入性的AD标记。
步骤4-2分析使用5种类型以及它们不同组合构建预测模型的性能。
步骤4-3将数据集分为80％训练集和20％测试集，通过交叉验证，以R-平方和均方根误差作为回归模型的度量标准，以准确度，灵敏度，特异性，AUC面积作为分类模型的度量标准。
有益效果：
1.本发明是一种基于多分类器融合的阿尔兹海默症分类预测方法，提出的多分类器融合方法是一种新方法，目前用于阿尔兹海默症的机器学习算法容易过拟合且泛化能力较弱，深度学习算法又缺乏可解释性，但这种新方法具有优秀的预测能力和泛化能力，可解释性也较强。
2.本发明简单易行，不仅限于适用于阿尔兹海默症数据集，在其它数据集上面也同样适用。
附图说明：
图1为本发明实施方式中的一种基于多分类器融合的阿尔兹海默症分类预测流程图。
图2为本发明实施中基于多分类器融合的流程图。
具体实施方式：
为了使本发明的实施例中的技术方案能够清楚和完整地描述，以下结合实施例中的附图，对本发明进行进一步的详细说明。
以ADNI数据集为例，本发明实施例一种基于多分类器融合的阿尔兹海默症分类预测方法的流程，如图1所示，包括以下步骤。
步骤1缺失数据和异常数据处理过程如下：
步骤1-1判断ADNI数据集的类型，是属于混合类型。
步骤1-2对于超过30％缺失比例的数据直接进行删除，因为是混合型数据，所以采用基于随机森林的多重插补方法进行缺失值插补。
步骤1-3用聚类算法找出数据集中的异常值并删除。
步骤2结合专家知识和特征选择处理数据集的过程如下：
步骤2-1通过专家知识选择66个与AD相关的认知衰退的潜在预测因子，包括38个评估/生物标志物和28个危险因素。
步骤2-2将递归特征消除法和随机森林相结合，评估最优的特征组合。
步骤2-3通过10折交叉验证选择出含有21个特征的数据子集。
步骤3基于多分类器融合的预测模型实施步骤如下：
基于多分类器融合的预测模型实施流程如图2所示，具体为：
步骤3-1首先利用模拟退火算法重复多次计算随机森林算法和XGBoost算法中每个超参数的取值，最终生成每个超参数的一个最优集合。
步骤3-2然后用Stacking集成思想生成n个随机森林基分类器和m个XGBoost基分类器，并给每个基分类器中的超参数在得到的最优集合进行随机采样，以及选择支持向量机，逻辑回归，神经网络三个不同元分类器。
步骤3-3再利用随机搜索算法确定n和m的值分别为7和6，以及元分类器的最终选择为支持向量机。
步骤4模型性能评估的过程如下：
步骤4-1将经过特征选择确认的21个特征分为5种模式类型：1.CFA2.MRI 3.PET4.CSF 5.年龄，将特征分组的原因是为了确定是否具有成本效益和非侵入性的AD标记。
步骤4-2使用5种模式类型以及它们不同组合构建预测模型。
步骤4-3将数据集分为80％训练集和20％测试集，通过10折交叉验证，以准确度，灵敏度，特异性，AUC面积作为分类模型的度量标准，发现CFA+PET的组合方式分类预测效果最好，准确度为83.5％，灵敏度为90％，特异性为91.5％，AUC面积为96％。
本发明实施方式中的基于多分类器融合的阿尔兹海默症分类预测方法，能够对阿尔兹海默症数据集提供科学的预处理方法，以及在阿尔兹海默症的分类预测上具有较高的准确率，普适性和可解释性。
以上所述是结合附图对本发明的实施例进行的详细介绍，本文的具体实施方式只是用于帮助理解本发明的方法，对于本技术领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围内均可有所变更和修改，故本发明书不应理解为对本发明的限制。

Claims (5)

1.基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，该方法包括以下步骤：
步骤1：对所获得数据中含有的缺失数据和异常数据进行处理和评估，确保数据的有效性。
步骤2：结合专家知识和特征选择算法，从k个特征指标中选择出n个特征子集，n≤k，去掉冗余特征和无关特征，提高最终模型的预测效果。
步骤3：提出基于多分类器融合的预测模型，该模型利用Stacking集成学习的思想，将bagging集成方法和boosting集成方法相结合并作为基分类器，通过超参数优化自适应选择基分类器的数量和元分类器，最终提高模型的普适性和预测能力。
步骤4：将经过预处理的数据集输入到所提出的模型中，通过多种评估方法评估模型的性能。
2.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤1中，对所获得数据中含有的缺失数据和异常数据进行处理，具体步骤为：
步骤1-1判断数据集的类型，是属于数值型，字符型还是混合类型。
步骤1-2对于缺失比例较大的数据直接进行删除，缺失比例不大的根据数据类型找到相对应的缺失值插补方法进行插值。
步骤1-3用异常值检测方法找出数据集中的异常值并删除。
3.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤2中，结合专家知识和特征选择算法，具体步骤为：
步骤2-1通过专家知识选择与AD相关的认知衰退的潜在预测因子，包括评估/生物标志物和危险因素。
步骤2-2将递归特征消除法和随机森林相结合，评估最优的特征组合。
步骤2-3通过交叉验证选择出含有k个特征的数据子集。
4.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤3中，提出基于多分类器融合的预测模型，具体步骤为：
步骤3-1首先利用超参数优化算法重复多次计算bagging算法和boosting算法中每个超参数的取值，最终生成每个超参数的一个最优集合。
步骤3-2然后用Stacking集成思想生成n个bagging基分类器和m个boosting基分类器，并给每个基分类器中的超参数在得到的最优集合进行随机采样，以及选择i个不同元分类器。
步骤3-3再利用超参数优化确定n和m的值以及元分类器的最终选择。
5.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤4中，多种评估方法评估模型的性能，具体步骤为：
步骤4-1将经过特征选择确认的特征分为5种模式类型：1.CFA 2.MRI 3.PET 4.CSF 5.年龄，将特征分组的原因是为了确定是否具有成本效益和非侵入性的AD标记。
步骤4-2分析使用5种类型以及它们不同组合构建预测模型的性能。
步骤4-3将数据集分为80％训练集和20％测试集，通过交叉验证，以R-平方和均方根误差作为回归模型的度量标准，以准确度，灵敏度，特异性，AUC面积作为分类模型的度量标准。
CN202110589378.XA 2021-05-28 2021-05-28 一种基于多分类器融合的阿尔兹海默症分类预测方法 Pending CN113096814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589378.XA CN113096814A (zh) 2021-05-28 2021-05-28 一种基于多分类器融合的阿尔兹海默症分类预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589378.XA CN113096814A (zh) 2021-05-28 2021-05-28 一种基于多分类器融合的阿尔兹海默症分类预测方法

Publications (1)

Publication Number Publication Date
CN113096814A true CN113096814A (zh) 2021-07-09

Family

ID=76664393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589378.XA Pending CN113096814A (zh) 2021-05-28 2021-05-28 一种基于多分类器融合的阿尔兹海默症分类预测方法

Country Status (1)

Country Link
CN (1) CN113096814A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035468A (zh) * 2021-11-08 2022-02-11 山东理工大学 基于XGBoost算法的风机检修流程预测性监控方法与系统
CN114048806A (zh) * 2021-11-09 2022-02-15 安徽大学 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法
CN114068021A (zh) * 2021-11-12 2022-02-18 南京安睡科技有限公司 预测痴呆风险的风险因素组合及其构建而成的痴呆风险评分预测模型
CN114420300A (zh) * 2022-01-20 2022-04-29 北京大学第六医院 中国老年认知损害预测模型
CN115064263A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法
CN115064262A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于长短时记忆的阿尔兹海默症病程预测方法
CN115240863A (zh) * 2022-08-11 2022-10-25 合肥工业大学 一种面向数据缺失场景的阿尔兹海默症分类方法及系统
TWI819436B (zh) * 2021-12-15 2023-10-21 緯創資通股份有限公司 預測模型建構方法、狀態預測方法及其裝置
CN117711616A (zh) * 2023-11-23 2024-03-15 北京爱思益普生物科技股份有限公司 基于基因表达数据的阿尔兹海默预测模型建立方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122589A (zh) * 2017-03-23 2017-09-01 浙江大学 一种将多种主要不良心血管事件预测模型融合的集成预测方法
CN110348624A (zh) * 2019-07-04 2019-10-18 内蒙古工业大学 一种基于Stacking集成策略的沙尘暴等级预测方法
CN110825819A (zh) * 2019-09-24 2020-02-21 昆明理工大学 一种处理有缺失值和不平衡非小细胞肺癌数据的二分类方法
CN111261282A (zh) * 2020-01-21 2020-06-09 南京航空航天大学 一种基于机器学习的脓毒症早期预测方法
CN111444657A (zh) * 2020-03-10 2020-07-24 五邑大学 一种疲劳驾驶预测模型的构建方法、装置及存储介质
CN111524606A (zh) * 2020-04-24 2020-08-11 郑州大学第一附属医院 一种基于随机森林算法的肿瘤数据统计方法
CN112185555A (zh) * 2020-09-10 2021-01-05 北京工业大学 基于stacking算法的妊娠糖尿病预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122589A (zh) * 2017-03-23 2017-09-01 浙江大学 一种将多种主要不良心血管事件预测模型融合的集成预测方法
CN110348624A (zh) * 2019-07-04 2019-10-18 内蒙古工业大学 一种基于Stacking集成策略的沙尘暴等级预测方法
CN110825819A (zh) * 2019-09-24 2020-02-21 昆明理工大学 一种处理有缺失值和不平衡非小细胞肺癌数据的二分类方法
CN111261282A (zh) * 2020-01-21 2020-06-09 南京航空航天大学 一种基于机器学习的脓毒症早期预测方法
CN111444657A (zh) * 2020-03-10 2020-07-24 五邑大学 一种疲劳驾驶预测模型的构建方法、装置及存储介质
CN111524606A (zh) * 2020-04-24 2020-08-11 郑州大学第一附属医院 一种基于随机森林算法的肿瘤数据统计方法
CN112185555A (zh) * 2020-09-10 2021-01-05 北京工业大学 基于stacking算法的妊娠糖尿病预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
叶成: ""基于多模型融合的流失用户预测方法"", 《计算机工程与科学》 *
李彩等: "基于机器学习的阿尔兹海默症分类预测", 《中国医学物理学杂志》 *
杨荣新等: "基于Stacking模型融合的光伏发电功率预测", 《计算机系统应用》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035468A (zh) * 2021-11-08 2022-02-11 山东理工大学 基于XGBoost算法的风机检修流程预测性监控方法与系统
CN114035468B (zh) * 2021-11-08 2024-05-28 山东理工大学 基于XGBoost算法的风机检修流程预测性监控方法与系统
CN114048806A (zh) * 2021-11-09 2022-02-15 安徽大学 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法
CN114068021A (zh) * 2021-11-12 2022-02-18 南京安睡科技有限公司 预测痴呆风险的风险因素组合及其构建而成的痴呆风险评分预测模型
TWI819436B (zh) * 2021-12-15 2023-10-21 緯創資通股份有限公司 預測模型建構方法、狀態預測方法及其裝置
CN114420300A (zh) * 2022-01-20 2022-04-29 北京大学第六医院 中国老年认知损害预测模型
CN114420300B (zh) * 2022-01-20 2023-08-04 北京大学第六医院 中国老年认知损害预测模型
CN115064263A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法
CN115064262A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于长短时记忆的阿尔兹海默症病程预测方法
CN115240863A (zh) * 2022-08-11 2022-10-25 合肥工业大学 一种面向数据缺失场景的阿尔兹海默症分类方法及系统
CN117711616A (zh) * 2023-11-23 2024-03-15 北京爱思益普生物科技股份有限公司 基于基因表达数据的阿尔兹海默预测模型建立方法及系统

Similar Documents

Publication Publication Date Title
CN113096814A (zh) 一种基于多分类器融合的阿尔兹海默症分类预测方法
Scheinost et al. Ten simple rules for predictive modeling of individual differences in neuroimaging
Gill et al. Using machine learning to predict dementia from neuropsychiatric symptom and neuroimaging data
Mittas et al. Ranking and clustering software cost estimation models through a multiple comparisons algorithm
CN103714261B (zh) 二阶段混合模型的智能辅助医疗决策支持方法
CN114999629A (zh) 一种基于多特征融合的ad早期预测方法、系统、装置
Wang et al. Autism screening using deep embedding representation
Amini et al. An artificial intelligence-assisted method for dementia detection using images from the clock drawing test
Qiang et al. A deep learning method for autism spectrum disorder identification based on interactions of hierarchical brain networks
Colledani et al. Machine learning-decision tree classifiers in psychiatric assessment: An application to the diagnosis of major depressive disorder
Yang et al. Stacking-based and improved convolutional neural network: a new approach in rice leaf disease identification
CN114511759A (zh) 一种皮肤状态图像的类别识别和特征确定方法及系统
Pettine et al. Human generalization of internal representations through prototype learning with goal-directed attention
Kantayeva et al. Application of machine learning in dementia diagnosis: A systematic literature review
KR102541510B1 (ko) 국가건강검진 자료를 이용한 자살 예측 모델 구축 방법
Li Application of Machine Learning to Predict Mental Health Disorders and Interpret Feature Importance
US20230368921A1 (en) Systems and methods for exposomic clinical applications
KR102516868B1 (ko) 파킨슨 병 검출을 위한 3d 컨볼루셔널 뉴럴 네트워크
CN114287910A (zh) 一种基于多阶段图卷积融合的脑功能连接分类方法
Raghav et al. Autism Spectrum Disorder Detection in Children Using Transfer Learning Techniques
Orrù et al. Machine learning item selection for short scale construction: A proof-of-concept using the SIMS
Hidayat Classification of Sleep Disorders Using Random Forest on Sleep Health and Lifestyle Dataset
Rana et al. Determining Clinical Depression From The Analysis of Socio-Economic Attributes
Chola Raja et al. Deep learning-based feature selection and prediction system for autism spectrum disorder using a hybrid meta-heuristics approach
Jassim et al. Multi-Criteria Decision Making for Machine Learning Algorithms Using AHP-VIKOR techniques: Case Study Adult Autism Diagnosis

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210709

WD01 Invention patent application deemed withdrawn after publication