关键词： 慢性胰腺炎   胰管结石   预测模型   机器学习   随机森林  

摘要： 目的探讨机器学习模型在慢性胰腺炎(CP)患者发生胰管结石风险预测中的效能。方法回顾性分析2016年1月-2021年1月因CP就诊于兰州大学第一医院患者的临床资料。通过基于支持向量机的递归特征消除法(RFE)筛选预测因子,使用4种机器学习模型拟合,受试者操作特征(ROC)曲线评估模型准确性。结果纳入患者128例,其中发生胰管结石患者44例,对照组84例。5倍交叉验证的RFE显示吸烟、糖尿病、胰腺假性囊肿、胰管引流、胰腺钙化、胰管直径是最相关的6个预测因子。建立4种机器学习模型的ROC曲线,随机森林模型在验证集的曲线下面积最大。结论随机森林模型为预测CP发生胰管结石风险概率的有效机器学习模型。当胰管直径达到4.10 mm后,发生胰管结石的风险概率均大于50%。

关键词： 肺癌   慢性阻塞性肺疾病   卷积神经网络   机器学习  

摘要： 目的 建立基于机器学习的慢性阻塞性肺疾病(简称慢阻肺)患者合并肺癌风险的预测模型,探索慢阻肺患者罹患肺癌的高风险因素,为早期发现慢阻肺患者肺癌发病风险提供智能预警奠定基础。方法 回顾分析2010年—2021年就诊于大连医科大学附属第二医院的共154例患者,其中慢阻肺组99例,慢阻肺合并肺癌组55例。患者均进行胸部高分辨率电子计算机断层扫描(high resolution computed tomography,HRCT)及肺功能测试。主要分析:(1)两组患者的年龄、体重指数(body mass index,BMI)、吸烟指数等基本信息、实验室检查结果、肺功能及胸部HRCT定量参数之间的差异是否具有统计学意义;(2)使用单因素和二元logistic回归方法分析慢阻肺患者患肺癌的高风险因素指标;(3)使用logistic回归和Gaussian过程等机器学习方法建立慢阻肺患者合并肺癌风险的预测模型。结果 基于统计学和logistic回归方法分析,BMI下降、全肺气肿指数增大、全肺平均密度增高、用力肺活量及凝血酶原时间百分比活动度增加是慢阻肺患者合并肺癌的危险因素。基于慢阻肺患者合并肺癌的机器学习风险预测模型,使用凝血酶原时间百分比活动度、全肺气肿指数、全肺平均密度、用力肺活量联合神经元特异性烯醇化酶和细胞角蛋白19的可溶性片段为特征,得到logistic回归和Gaussian过程的受试者工作特征曲线下面积均为0.88。结论 使用机器学习的方法建立慢阻肺患者合并肺癌风险的预测模型,可用于早期发现罹患肺癌高风险的慢阻肺患者。

关键词： 小样本学习   小样本数据   机器学习   深度学习   数据增强  

摘要： 小样本学习是面向小样本数据的机器学习,旨在利用较少的有监督样本数据去构建能够解决实际问题的机器学习模型。小样本学习能够解决传统机器学习方法在样本数据不充分时性能严重下降的问题,可以为新型小样本任务实现低成本和快速的模型部署,缩小人类智能与人工智能之间的距离,对推动发展通用型人工智能具有重要意义。从小样本学习的概念、基础模型和实际应用入手,系统梳理当前小样本学习的相关工作,将小样本学习方法分类为基于模型微调、基于数据增强、基于度量学习和基于元学习,并具体阐述这4大类方法的核心思想、基本模型、细分领域和最新研究进展,以及每一类方法在科学研究或实际应用中存在的问题,总结目前小样本学习研究的常用数据集和评价指标,整理基于部分典型小样本学习方法在Omniglot和Mini-ImageNet数据集上的实验结果。最后对各种小样本学习方法及其优缺点进行总结,分别从数据层面、理论研究和应用研究3个方面对小样本学习的未来研究方向进行展望。

关键词： 热调制反射光温度测量   温升、状态识别   可见光图像   机器学习方法  

摘要： 基于光辐射的测温技术一般工作在热辐射较强的红外波段,基于光反射的测温技术虽然可以工作在可见光波段,但目前使用条件只限于暗环境下正入射单波长的光源,而电力设备工作在日光下难以使用该技术。文中通过数字图像处理技术和机器学习方法,将热调制光反射技术扩展到不需要正入射和固定光源的情况,利用日光实现常温电力金具表面温升识别。在日光下利用3种手机拍照建立了110 kV输电线路一种金具不同日光环境(每个温度下日光照度有3种)的图像库4 500幅,3种不同金具(每个温度下日光照度一种)的图像库每种金具1 500幅,提取每张照片的三基色灰度频率分布(RGB-GLH)为特征量,分别通过支持向量机、决策树法、梯度提升法和K近邻法4种机器学习方法,建立了表面温度的识别模型。交叉验证结果表明K近邻法最优,平均绝对误差适合识别一般金具故障的温升。文中还从材料电磁特性出发,根据电磁波反射规律探讨了日光下热调制光反射温升识别技术的原理,以及利用机器学习方法处理大数据矩阵的依据。

关键词： 地质成因劣质地下水   砷   机器学习   树模型  

摘要： 截止到2020年,全球78亿人中仍有20亿人无法获得或只能获得有限的安全饮用水。地质成因劣质地下水(GCG)的广泛存在是造成这种严酷现实的重要原因之一,因此识别GCG已成为全球关注的热点。近年来,基于树的机器学习方法不仅成为揭示GCG空间分布和防范公共健康风险的有力工具,而且能帮助我们更好地理解地下水中劣质组分的水文生物地球化学行为。为促进基于树的机器学习方法在水文地质尤其是地下水水质与健康领域更为广泛的运用,综述了近20年来分类和回归树、随机森林和增强回归树等基于树的机器学习方法在GCG研究中的应用,讨论了如何应对正确优化模型超参数、细心选择强有力的预测变量和合理评估模型性能等诸多挑战。

关键词： 静脉血栓栓塞症   多机器学习   预警平台   早防早治  

摘要： 介绍静脉血栓栓塞症(Venous Thromboembolism,VTE)风险评估工具相关研究情况,阐述VTE实时预警平台构建方法,指出该平台对于降低VTE发病率和死亡率、提高患者生命质量具有重要的临床意义和社会价值。

关键词： 水位预测   人工神经网络   随机森林   支持向量机   葛洲坝水电站  

摘要： 为准确预测葛洲坝水电站下游水位,以人工神经网络、随机森林和支持向量机3种机器学习方法为基础,以2018~2020年葛洲坝水电站历史数据为样本集,建立葛洲坝水电站下游水位单点预测模型,并利用k折交叉验证对3种方法的预测精度进行评价。结果表明:3种方法在测试集上均具有良好表现;其中支持向量机预测模型表现最优,均方误差MSE平均值为0.0071,决定系数R^(2)平均值为0.98,预测精度可满足生产需求。研究成果对葛洲坝水电站后期调度方案编制具有指导意义。

关键词： 机器学习   经颅多普勒超声   头晕   特征提取   预测模型  

摘要： 目的运用基于L_(2,1)范数的机器学习方法的经颅多普勒超声(Transcranial Doppler,TCD)技术,探究TCD血流特征参数在头晕中的诊断价值。方法选取在北京中医药大学东直门医院门诊就诊的头晕患者41例和健康体检者21例作为研究对象,采用TCD诊断仪分别记录所有研究对象双侧大脑中动脉、双侧颈内动脉终末段、双侧颈内动脉虹吸段、双侧大脑前动脉、双侧大脑后动脉、双侧椎动脉、基底动脉近远端的血流信号,同时测量以上14个血管部位的收缩期峰值流速、舒张期末期流速、平均流速、搏动指数、阻力指数,并采用L_(2,1)范数方法将上述参数和年龄作为特征,进行特征选择后输入到机器学习分类器中,对头晕患者进行分类及预测,以总体正确率、ROC曲线下面积(Area Under Curve,AUC)值作为模型评价指标。结果右侧椎动脉舒张期末期流速、右侧大脑中动脉收缩期峰值流速、右侧椎动脉收缩期峰值流速、右侧椎动脉阻力指数、右侧大脑中动脉舒张期末期流速等重要特征对头晕患者分类贡献较大,基于集成学习算法构建模型的分类效果最好,AUC值达到了0.906。结论集成学习算法更适合于头晕患者TCD血流特征的分类,头晕患者脑血流动力学改变以椎基底动脉系统为主,也可能累及大脑中动脉等颈内动脉系统。

关键词： 凹凸体   地震危险性分析   地震大地测量   联合反演   机器学习方法  

摘要： 介绍了凹凸体、障碍体及其震源模式相关概念,综述了地震大地测量确定凹凸体的研究进展,主要从介质结构分布(高强度异常体)、地震活动性分析和断层滑动特性三个方面探讨凹凸体确定的技术与方法,并分析了存在的问题。对活动断层凹凸体分布的精细确定研究进行了展望,今后的研究重点是开展大地测量数据联合反演确定凹凸体分布、联合大地测量与地震、地球物理数据确定凹凸体分布以及基于机器学习方法进行凹凸体分布确定。

关键词： 全域旅游   游憩服务   生态系统文化服务   空间潜力预测   机器学习   鄂西  

摘要： 在建设“全域旅游”的背景下,区域尺度的游憩服务发展将从单一景点景区的建设转向旅游目的地的综合统筹,助力乡村振兴和区域协调发展。然而,在全域旅游“连点成片”的过程中,如何根据本地独特的环境禀赋识别出具有较高游憩潜力的区域并据此评估发展的优先程度,仍是研究与实践的热点和难点。基于此,本研究以鄂西地区为例,引入生态系统文化服务理论中潜力评估的研究方法,运用社会-生态多源数据构建了一个结合集成机器学习的SDM模型。该模型对研究区域内336个已知游憩服务热点的环境特征进行了剖析,并预测了连续空间中高游憩潜力区域的概率分布。本研究提供了一条从环境特征变量数值关系角度理解区域尺度游憩空间规律的技术路径,旨在为全域旅游和乡村振兴的空间发展策略提供参考。