CN115099331A - 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 - Google Patents
基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 Download PDFInfo
- Publication number
- CN115099331A CN115099331A CN202210709164.6A CN202210709164A CN115099331A CN 115099331 A CN115099331 A CN 115099331A CN 202210709164 A CN202210709164 A CN 202210709164A CN 115099331 A CN115099331 A CN 115099331A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- data
- model
- module
- pleural effusion
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明涉及临床医疗及智能医疗技术领域,具体涉及基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,数据采集模块,用于获取医疗机构电子病历中具有胸腔积液患者的基本特征,所述基本特征包括人口学特征、临床症状信息、实验室检测、影像学及病理结果;数据处理模块,对所述基本特征进行数据清洗,得到清洗后的数据集;模型确定模块,用于构建至少两组机器学习模型;利用所述数据集对每组机器学习模型进行训练,以网格搜索或交叉验证优化模型,以AUC为指标选取最优模型;模型解释模块,对最优机器学习模型的预测结果进行解释,计算数据集中各个特征对预测结果的贡献度。即本发明的方案能够辅助医生进行病因的诊断,提高诊断效率。
Description
技术领域
本发明属于临床医疗及智能医疗技术领域,具体涉及基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统。
背景技术
恶性胸腔积液(Malignant Pleural Effusion,MPE)是一种恶性细胞渗出性胸腔积液,在我国此癌症患者高达15%,具体常见于肺癌、乳腺癌、淋巴瘤、妇科恶性肿瘤和恶性间皮瘤等。大多数MPE患者的常见症状包括呼吸困难、咳嗽和胸痛等症状。
目前,标准的MPE诊断方法,包括细胞学和组织学检查,但并非适用于所有患者。这是因为一方面,很难从恶性细胞或组织中收集样本;另一方面,MPE的诊断通常需要细菌培养,非常耗时。
而随着人工智能(AI)及机器学习算法解决方案在医疗等领域的广泛应用,基于机器学习的数据分析提供了越来越准确的预测建模;机器学习算法将比人类思维更快、更准确、更轻松地摄取和有意义地处理大量数据;这些方法可以开发有效的辅助诊断和预测工具来进行病人各种疾病的辅助诊断,以便于为医生提供依据。
需要说明的是,尽管机器学习算法具有良好的表现,但由于机器学习算法的“黑盒”性质,缺乏可解释性限制了在医疗决策支持中的应用;特别是在需要可靠性和安全性的医疗领域,提高模型的透明度和可解释性,协助临床医生建立对模型的信任,已经成为机器学习系统解决方案是否最终被采用的前提。
因此,如何提供一种透明度高且能够对恶性胸腔积液的预测结果进行解释的辅助诊断系统,是至关重要的。
发明内容
本发明的目的在于提供基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,用于解决现有技术中的机器学习透明度低,医生无法对模型预测出的结果进行判定的问题。
本发明提供了一种基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,包括:
数据采集模块,用于获取医疗机构电子病历中具有胸腔积液患者的基本特征,所述基本特征包括人口学特征、临床症状信息、实验室检测、影像学及病理结果;
数据处理模块,对所述基本特征进行数据清洗,得到清洗后的数据集;
模型确定模块,用于构建至少两组机器学习模型;利用所述数据集对每组机器学习模型进行训练,以计算的评估指标来选取最优模型;
模型解释模块,对最优机器学习模型的预测结果进行解释,计算数据集中各个特征对预测结果的贡献度。
进一步地,所述数据处理模块,还用于根据所述病理结果对所述数据集进行划分为恶性胸腔积液数据组和良性胸腔积液数据组。
进一步地,所述评估指标是先通过构建混淆矩阵,根据混淆矩阵结果计算精确率、准确率、召回率、F1值和受试者工作特征曲线下的面积。
进一步地,所述机器学习模型为四组,包括XGBoost、CatBoost、LightGBM和NGBoost模型。
进一步地,所述数据清洗包括去除重复值、查找缺失值,对缺失值小于30%的变量采用基于随机森林的多重插补技术进行填补。
进一步地,对最优机器学习模型的预测结果进行解释的过程为:
基于排列的特征重要性、部分依赖关系图、个体条件期望和SHAP方法。
本发明的有益效果为:
本发明的诊断系统是根据数据采集模块获取患者的基本特征,并利用数据处理模块进行处理之后,用以训练模型确定模块中构建的模型,寻找到最优模型,并采用解释的方法对该最优模型获取的预测结果进行解释,以确定获取的各特征的贡献度,为后续医生的诊断提供了可靠的依据。
同时,本发明的恶性胸腔积液诊断系统能够对患者的临床症状数据进行了解释,能够对患者的基本特征中的各个数据进行重要程度的分析,从而挑选出对患者患病影响的重要变量,提高了医生的诊断效率,无需对数据进行一一分析,即可迅速地掌握影响恶性胸腔积液的因素。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明的基于可解释性机器学习算法的恶性胸腔积液诊断系统的结构框图;
图2为本发明的基于可解释性机器学习算法的恶性胸腔积液诊断系统中的具体流程方法示意图;
图3为本发明的数据集特征变量相关性分析示意图;
图4为本发明的基于排列的特征重要性示意图;
图5为本发明的预测变量ADAPE和TPPE的部分依赖图;
图6为本发明的预测变量ADAPE的个体条件期望图;
图7为本发明的实施例某患者样本的water-fall图;
图8为本发明的SHAP Summary Plot的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的方案,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
具体地,如图1所示,本发明的基于可解释性机器学习算法的恶性胸腔积液诊断系统,包括数据采集模块、数据处理模块、模型确定模块以及模型解释模块。其中,数据采集模块,用于获取医疗机构电子病历中具有胸腔积液患者的基本特征,所述基本特征包括人口学特征、临床症状、实验室检测信息、影像学及病理结果等。
如图2所示,本发明的恶性胸腔积液诊断系统能够根据数据采集模块获取患者的基本特征,并利用数据处理模块进行处理之后,用以训练模型确定模块中构建的模型,寻找到最优模型,并采用解释的方法对该最优模型获取的预测结果进行解释,以确定获取的各特征的贡献度,为后续医生的诊断提供了可靠的依据。
以某医院的电子病历系统中的患者为例,数据采集模块从电子病历系统中提取肺部疾病患者的基本特征:
人口学特征:性别、年龄;
临床症状及实验室检测信息:包括胸腔积液、从发病到就诊时间、发热、咳嗽、胸痛、胸闷、胸水位置、血清癌胚抗原、胸水红细胞计数、胸水白细胞计数、胸水单个核细胞计数、胸水单个核细胞占白细胞比例、胸水多个核细胞计数、胸水多个核细胞占白细胞比例、胸水单个核细胞与多个核细胞的比值、血清乳酸脱氢酶、胸水总蛋白质、胸水与血总蛋白质比值、胸水乳酸脱氢酶、胸水与血清乳酸脱氢酶比值、胸水腺苷脱氨酶、胸水葡萄糖、胸水癌胚抗原、胸水癌胚抗原与血清癌胚抗原比值;
病理结果为患者进行就医时的胸腔积液为良性或者恶性的结果。
其中,数据处理模块,对所述基本特征进行数据清洗,得到清洗后的数据集。
本实施例中在进行数据清洗之前,还需要对数据集进行分层,根据病理结果分为恶性胸腔积液数据组和良性胸腔积液数据组;随机将数据集中的样本划分为训练集和测试集,其中训练集占数据集的70%,其余为测试集,当然还可以根据实际情况进行设定。
其中,本实施例中经筛选后共456例患者符合要求,根据病理结果显示恶性胸腔积液患者(MPE)为122例,良性胸腔积液患者(NMPE)为334例。
本实施例中的数据处理模块,对数据集进行预处理,处理数据集中的异常值、重复值和其他错误;所述预处理方法包括,对数据的集中趋势、分布及相关性进行分析并可视化,见图3;同时,查找处理缺失值,分析缺失值的类别,对缺失值小于30%的预测变量采用基于随机森林的多重插补技术进行填补;其中经预处理后患者的基线特征如下表1所示:
表1
表1中的缩写字母含义为:MPE:恶性胸腔积液;Gender:性别;Age:年龄;TIOH:从发病到就诊时间;Fever:发热;Cough:咳嗽;Chest Pain:胸痛;Chest Disterss:胸闷;Right:胸水位于右侧;Left:胸水位于左侧;Both:胸水位于双侧;CEAS:血清癌胚抗原;RBCPE:胸水红细胞计数;WBCPE:胸水白细胞计数;MonCPE:胸水单个核细胞计数;MonCRPE:胸水单个核细胞占白细胞比例;MulCPE:胸水多个核细胞计数;MulCRPE:胸水多个核细胞占白细胞比例;RMMPE:胸水单个核细胞与多个核细胞的比值;LDHS:血乳酸脱氢酶;TPPE:胸水总蛋白质;TPPES:胸水与血总蛋白质比值;LDHPE:胸水乳酸脱氢酶;LDHPES:胸水与血乳酸脱氢酶比值;ADAPE:胸水腺苷脱氨酶;GPE:胸水葡萄糖;CEAPE:胸水癌胚抗原;CEAPES:胸水癌胚抗原与血清癌胚抗原比值。
其中,模型确定模块,用于构建至少两组机器学习模型;利用所述数据集对每组机器学习模型进行训练,以计算的评估指标来选取最优模型。
本实施例中构建的机器学习模型有四组,分别为XGBoost、LightGBM、CatBoost和NGBoost模型。
具体地,XGBoost(极端梯度提升算法)是以决策树为基分类器的集成学习方法,在梯度提升框架下实现机器学习算法,是一个优化的分布式梯度提升库,旨在实现高效,灵活和便携,具有高偏差和低方差的特点,在机器学习和数据挖掘领域中被广泛地应用;
LightGBM(提升机器算法)是一种基于决策树算法的分布式梯度提升框架,支持高效率的并行训练,并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点;
CatBoost(Categorical Boosting),是以对称决策树为基学习器,支持类别型变量和高准确性的GBDT框架,可以高效合理地处理类别型特征此,还解决了梯度偏差以及预测偏移的问题,从而减少过拟合的发生,进而提高算法的准确性和泛化能力;
NGBoost(自然梯度提升),是一种用于概率预测的监督学习方法,可以直接在输出空间中得到概率分布,从而用于概率预测来量化不确定性;该方法中基学习器、概率分布和评分规则的选择都是模块化的;NGBoost在不确定性估计和传统指标上的预测表现都具备竞争力。
作为其他实施方式,还可以结合网格搜索或交叉验证对模型进行优化。
本实施例中,以计算的评估指标来选取最优模型,具体为:
其中评估指标的获取是通过构建模型的混淆矩阵。
其中,混淆矩阵(Confusion Matrix)是机器学习中用来总结分类模型预测结果的一个分析表。它以矩阵的形式描绘样本数据的真实属性和分类预测结果类型之间的关系,是用来评价分类器性能的一种常用方法。具体内容如下表2所示:
表2
其中,表2中的第一行代表预测为阳性的结果,第二行代表预测为阴性的结果;第一列代表实例为阳性的结果,第二列代表实例为阴性的结果。其中:
TP表示真阳性True Positive,FP表示假阳性False Positive,FN表示假阴性False Negative,TN表示真阴性True Negative。
本实施例根据混淆矩阵,可以计算分类结果的常用指标,如准确率(Accuracy),精确率(Precision),召回率(Recall),F1值(F1-score)和AUC,分别定义为:
Accuracy=(TP+TN)/(TP+FP+FN+TN),
Precision=TP/(TP+FP)
Recall=TP/(TP+FN)
F1-Score=2*Accuracy*Recall/(Accuracy+Recall)
其中的受试者工作特征曲线(Receiver operating characteristic curve,ROC)曲线是根据一系列不同的二分类方式,以真阳性率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线;可以计算ROC曲线下面积(AUC)并将其用作评估分类模型整体性能的指标。
本实施例中在进行模型的评价时,最终以AUC值评价模型的区分能力。
其中,模型解释模块,对最优机器学习模型的预测结果进行解释,计算数据集中各个特征对预测结果的贡献度。
本实施例中选取AUC值较高的模型,采用基于排列的特征重要性、部分依赖关系图、个体条件期望和SHAP值等方法进行解释;其中,
1)基于排列的特征重要性,通过计算置换特征后模型预测误差的增加来衡量特征的重要性。如果对特征的值进行重排后会增加模型误差,则该特征是“重要的”;如果对特征的值进行重排模型误差保持不变,则该特征是“不重要的”;特征重要性提供了对模型行为的高度压缩的全局解释,同时考虑了主特征效应和对模型性能的交互作用;
本实施例中计算计算Catboost模型中特征排名的重要性,即通过计算置换特征后模型预测误差的增加来衡量特征的重要性;图4为基于排列的方法来衡量解释变量的重要性,图中显示ADAPE(胸水腺苷脱氨酶)、TPPE(胸水总蛋白质)和CEAPE(胸水癌胚抗原)是重要的预测变量。
2)部分依赖关系图,显示一个或两个特征对机器学习模型预测结果的边际影响;特别的,当预测变量经历复杂的变换时,部分依赖图可以有效地揭示预测变量的值与结果之间的关系是线性的、单调的还是更复杂的非线性关系。
本实施例中,考虑所有实例,并给出有关特征与预测结果的全局关系的描述;图5为ADAPE和TPPE的部分依赖图,可以直观地展示ADAPE在5-40U/L和TPPE在40-60mg/L对模型预测性能有很强的影响。
3)个体条件期望,描述的是每个个体的预测值与单一变量之间的关系,为每个实例显示一条线,显示当特征发生变化时实例的预测如何变化,实现可视化预测与每个实例的特征的关系;其中个体条件期望的优点在于易于理解,能够避免数据异质的问题;
本实施例中,将每个实例每个特征的预测依赖关系可视化展示出来,从而生成多实线(每个实例绘制一条实线);其中对某一样本,保持其他变量不变,随机置换选定的特征变量的取值,放入模型输出预测结果,最后绘制出样本单一特征变量与预测值之间的关系图,即图6为ADAPE的个体条件期望ICE曲线图,图中每条黑色实线代表一个样本,虚线为平均值;所有曲线都遵循相同的过程,因此没有明显的相互作用;而随着ADAPE值在0-40U/L范围内增大,患者罹患恶性胸腔积液的概率增大。
4)SHAP(SHapley Additive exPlanations)值,SHAP值是基于Shapley值,可以量化每个特征对模型所做预测结果的贡献,属于模型事后解释的方法。即SHAP构建一个加性的解释模型,所有的特征都视为“贡献者”;对于每个预测样本,模型都产生一个预测值,SHAP值就是该样本中每个特征所分配到的数值。
需要说明的是,Shapley值是博弈论中的一个概念,可公平地定量评估特征边际贡献,是一种描述模型在对特定数据点进行预测时对特定特征的“权重”或“重要性”的方法,正值或负值表示效果的方向;其基本思想可以理解为,计算一个特征加入到模型时的边际贡献,然后考虑到该特征在所有的特征序列的情况下不同的边际贡献,再取均值,即得到该特征某一个值的Shapley值。也即计算出每一个样本中的每一个特征变量的贡献值(Shapley Value),再将特征变量对应的Shapley值相加,从而解释每个特征变量是如何影响模型的预测值。
其中,图7为数据集中某患者的water-fall图,其中横轴为SHAP值,纵轴是该病例各个特征的取值;箭头向左,SHAP值减小,代表该特征对预测有负向影响;箭头向右,SHAP值增,代表该特征对预测有正向影响;最底行代表19个不重要特征产生了0.02的负向影响,在ADAPE=10.1时产生了0.96的正向影响,最终得到病例的SHAP值-3.014;从该患者预测的角度来看,最重要的变量是ADAPE,GPE,TPPE和MonCPE。
图8为本实施例的SHAP-summary-plot汇总图,其中y轴是按照所有样本的SHAP值之和对特征排序,x轴是SHAP值(特征对模型输出的影响分布),其中深色点代表高风险值,灰色点代表低风险值,重叠点在y轴方向抖动,因此我们可以了解每个特征的Shapleyvalue分布;从图中可以看出ADAPE、CEAPE和TPPE是比较重要的影响变量。
作为其他实施方式,还可以对获取的每个重要变量进行加权,依次确定不同重要变量的贡献度。
本实施例中,在模型解释模块得到重要变量时,还可以通过设置数据传输模块,以将当前患者的预测结果,发送给医生端进行参考,并根据专业能力以及预测结果对患者的胸腔积液的产生原因进行诊断。
至此,本发明的恶性胸腔积液诊断系统能够对患者的临床症状数据进行分析,能够对患者的基本特征中的各个数据进行分析,从而挑选出对患者患病影响的重要变量,为后续医生的诊断提供了参考依据,同时,也提高了医生的诊断效率,无需对数据进行一一分析,即可迅速地掌握影响胸腔积液的因素。
本发明提供的诊断系统,是融合医学、统计学/机器学习和计算机科学等领域,是一种多学科综合交叉技术,并在智慧医疗及个性化医疗领域中属于一种准确度高、易用的诊断方法,不仅提高辅助诊断准确性,而且提升了后期医生进行人工诊断的效率;模型的可解释性方法可以弥补传统模型验证方法的不足,从而消除模型在实际应用中的潜在风险。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,其特征在于,包括:
数据采集模块,用于获取医疗机构电子病历中具有胸腔积液患者的基本特征,所述基本特征包括人口学特征、临床症状信息、实验室检测、影像学及病理结果;
数据处理模块,对所述基本特征进行数据清洗,得到清洗后的数据集;
模型确定模块,用于构建至少两组机器学习模型;利用所述数据集对每组机器学习模型进行训练,以计算的评估指标来选取最优模型;
模型解释模块,对最优机器学习模型的预测结果进行解释,计算数据集中各个特征对预测结果的贡献度。
2.根据权利要求1所述的基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,其特征在于,所述数据处理模块,包括数据清洗及根据病历结果进行数据分层。
3.根据权利要求2所述的基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,其特征在于,所述评估指标是先通过数据集构建混淆矩阵,根据混淆矩阵结果计算精确率、准确率、召回率、F1值和受试者工作特征曲线下的面积。
4.根据权利要求2所述的基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,其特征在于,所述机器学习模型为四组,包括XGBoost、CatBoost、LightGBM和NGBoost模型。
5.根据权利要求1所述的基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,其特征在于,所述数据清洗包括去除重复值、查找缺失值,对缺失值小于30%的变量采用基于随机森林的多重插补技术进行填补。
6.根据权利要求1所述的基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统,其特征在于,对最优机器学习模型的预测结果进行解释采用的方法为:基于排列的特征重要性、部分依赖关系图、个体条件期望和SHAP方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210709164.6A CN115099331A (zh) | 2022-06-21 | 2022-06-21 | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210709164.6A CN115099331A (zh) | 2022-06-21 | 2022-06-21 | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099331A true CN115099331A (zh) | 2022-09-23 |
Family
ID=83293866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210709164.6A Pending CN115099331A (zh) | 2022-06-21 | 2022-06-21 | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099331A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115954102A (zh) * | 2023-03-14 | 2023-04-11 | 中山大学附属第一医院 | 一种人工关节假体周围感染诊断模型及诊断系统 |
CN116246729A (zh) * | 2023-03-03 | 2023-06-09 | 广州大学 | 一种基于可解释机器学习的纳塑料细胞毒性预测方法 |
CN116309515A (zh) * | 2023-03-31 | 2023-06-23 | 广东省人民医院 | 一种肺部亚厘米结节侵袭性预测模型的构建方法及该诊断模型与诊断器 |
-
2022
- 2022-06-21 CN CN202210709164.6A patent/CN115099331A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246729A (zh) * | 2023-03-03 | 2023-06-09 | 广州大学 | 一种基于可解释机器学习的纳塑料细胞毒性预测方法 |
CN115954102A (zh) * | 2023-03-14 | 2023-04-11 | 中山大学附属第一医院 | 一种人工关节假体周围感染诊断模型及诊断系统 |
CN116309515A (zh) * | 2023-03-31 | 2023-06-23 | 广东省人民医院 | 一种肺部亚厘米结节侵袭性预测模型的构建方法及该诊断模型与诊断器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | In-depth mining of clinical data: the construction of clinical prediction model with R | |
CN115099331A (zh) | 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统 | |
CN101742961B (zh) | 诊断支持设备及系统 | |
CN107679052A (zh) | 大数据分析方法以及利用了该分析方法的质谱分析系统 | |
CN101478912A (zh) | 评估痴呆与痴呆型紊乱 | |
Liao et al. | A linguistic belief-based evidential reasoning approach and its application in aiding lung cancer diagnosis | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
CN111081381A (zh) | 院内致命性消化道再出血预测关键指标的智能筛选方法 | |
CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
CN115376706A (zh) | 一种基于预测模型的乳腺癌药物方案的预测方法及装置 | |
Chen et al. | Diagnostic accuracy study of automated stratification of Alzheimer’s disease and mild cognitive impairment via deep learning based on MRI | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
CN113782197B (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
El Rafaie et al. | On the use of SPECT imaging datasets for automated classification of ventricular heart disease | |
CN114141360A (zh) | 基于惩罚cox回归的乳腺癌预测方法 | |
CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
López Ratón et al. | GsymPoint: An R package to estimate the generalized symmetry point, an optimal cut-off point for binary classification in continuous diagnostic tests | |
CN110070942A (zh) | 一种基于梯度提升树模型的慢性肝病风险评估系统 | |
Zhao et al. | Development and application of an intensive care medical data set for deep learning | |
Blagojević et al. | Combined machine learning and finite element simulation approach towards personalized model for prognosis of COVID-19 disease development in patients | |
Chen et al. | Decision Tree and Hierarchical Cluster Analysis based on Leigh Solves the Problem of Intelligent Diagnosis of Alzheimer's Disease by Time Series Model | |
CN116741384B (zh) | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 | |
CN105956156A (zh) | 误诊疾病数据库 |
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 |