機器學習準確預測發病風險
近日，佛羅里達大西洋大學（FAU）和耶魯大學醫學院發表的兩項獨立研究表明：機器學習算法在改善慢性病風險評估和護理方面發揮了關鍵作用，尤其對阿爾茨海默病（俗稱老年癡呆癥）患者和心臟病患者，機器學習可準確地預測發病風險。
FAU牽頭的研發團隊，利用患者對藥物、睡眠質量和記憶力等健康問題的回復，結合人口統計學信息，開發了一種機器學習模型來評估患者患老年癡呆癥的風險。該方法可從多維度分析人體屬性和大腦的行為功能，挖掘和分析高級數據并持續學習，對疾病的進一步發展進行預測,該方法對阿爾茨海默病的檢測和治療具有重要意義。
耶魯大學醫學院的研究人員在Radiology發表的另一項研究中發現：將病人的64個冠狀CT成像特征輸入到機器學習模型中。該模型通過提取分析數據中的形態模式，可預測具有特定模式的患者比具有其他模式的患者更可能發生心臟病等不良事件。和傳統的方法相比，機器學習的預測結果更加準確。研究人員表示，如果增加人體的詳細數據，如年齡、吸煙、糖尿病和高血壓等，會進一步提高該方法的預測效果。
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規問題，請聯系本站處理。
舉報投訴
-
算法
+關注
關注
23文章
4784瀏覽量
98044 -
機器學習
+關注
關注
66文章
8553瀏覽量
136935
原文標題：機器學習可用于預測老年癡呆癥和心臟病發作風險
文章出處：【微信號：robotmagazine，微信公眾號：機器人技術與應用】歡迎添加關注！文章轉載請注明出處。
發布評論請先 登錄
相關推薦
熱點推薦
人工智能與機器學習在這些行業的深度應用
自人工智能和機器學習問世以來，多個在線領域的數字化格局迎來了翻天覆地的變化。這些技術從誕生之初就為企業賦予了競爭優勢，而在線行業正是受其影響最為顯著的領域。人工智能（AI）與機器學習（
利用Solido Design Environment準確預測SRAM晶圓良率
晶圓級 SRAM 實測數據表明：由存取干擾導致的位失效數量，與單純基于本征器件波動的預測結果存在顯著偏差。失效分析表明，SRAM 位單元 NFET 存在隨機離散缺陷，導致閾值電壓出現統計性負向偏移
機器學習和深度學習中需避免的 7 個常見錯誤與局限性
無論你是剛入門還是已經從事人工智能模型相關工作一段時間，機器學習和深度學習中都存在一些我們需要時刻關注并銘記的常見錯誤。如果對這些錯誤置之不理，日后可能會引發諸多麻煩！只要我們密切關注數據、模型架構
穿孔機頂頭檢測儀 機器視覺深度學習
頂頭狀態。
檢測頂頭算法
引入人工智深度學習技術，通過Keras實現卷積神經網絡（CNN），用Numpy實現采集數據的訓練，得到符合現場需求的模型，進一步提升檢測的準確性和現場的適應性。
應用范圍
發表于 12-22 14:33
基于全局預測歷史的gshare分支預測器的實現細節
的地址位數，雖然BHR位數越多，分支預測器的準確度越高，但正確率提高的代價是PHT消耗的資源呈指數形式迅速地增長，因此我們必須在面積與性能之間進行權衡。。最終經過對各類32位RISC-V開源處理器內核
發表于 10-22 06:50
Dynamic Z-Track算法如何預測不穩定的電池負載
都需要承受高度動態的負載。設計人員依靠準確的電量監測來安全地關閉系統或防止意外欠壓，這些不可預測的負載給他們帶來了挑戰。無繩電鉆意外停機可能只會讓使用者感到沮喪，但無人機從天空墜落會帶來嚴重的安全風險。
利用NVIDIA Earth-2平臺預測天氣
隨著極端天氣事件愈發頻繁，破壞性也越來越強，能夠對其進行預測變得至關重要。對于那些對天氣波動非常敏感的行業來說，次季節氣候預測（即預測兩周或更長時間之后的天氣），為主動決策和風險管理奠
超小型Neuton機器學習模型, 在任何系統級芯片(SoC)上解鎖邊緣人工智能應用.
Neuton 是一家邊緣AI 公司，致力于讓機器 學習模型更易于使用。它創建的模型比競爭對手的框架小10 倍，速度也快10 倍，甚至可以在最先進的邊緣設備上進行人工智能處理。在這篇博文中，我們將介紹
發表于 07-31 11:38
FPGA在機器學習中的具體應用
隨著機器學習和人工智能技術的迅猛發展，傳統的中央處理單元（CPU）和圖形處理單元（GPU）已經無法滿足高效處理大規模數據和復雜模型的需求。FPGA（現場可編程門陣列）作為一種靈活且高效的硬件加速平臺
機器學習異常檢測實戰：用Isolation Forest快速構建無標簽異常檢測系統
本文轉自：DeepHubIMBA無監督異常檢測作為機器學習領域的重要分支，專門用于在缺乏標記數據的環境中識別異常事件。本文深入探討異常檢測技術的理論基礎與實踐應用，通過IsolationForest
邊緣計算中的機器學習：基于 Linux 系統的實時推理模型部署與工業集成！
你好，旅行者！歡迎來到Medium的這一角落。在本文中，我們將把一個機器學習模型（神經網絡）部署到邊緣設備上，利用從ModbusTCP寄存器獲取的實時數據來預測一臺復古音頻放大器的當前健康狀況。你將
提早預見問題：預測性維護有效降低企業停機風險
在智能制造快速發展的時代，設備維護方式正從傳統的事后維護（Reactive Maintenance）和預防性維護（Preventive Maintenance），逐步轉向更高效的預測性維護
工業元宇宙落地！數字孿生如何預測設備壽命誤差＜3%？
工業元宇宙正以迅猛之勢重塑設備管理模式，通過數字孿生技術精準預測、高效維護，實現未雨綢繆的主動運維。精準預測通過機器學習提前識別故障，動態優化實現資源最優配置，遠程管控減少現場人員。
工商網監
評論