医学互联网研究杂志-人工智能在肥胖研究中的应用:方法的范围审查gydF4y2Ba

审查gydF4y2Ba

Ruopeng一gydF4y2Ba^1gydF4y2Ba^*gydF4y2Ba， MPP，博士gydF4y2Ba ；gydF4y2Ba
京沈gydF4y2Ba^2gydF4y2Ba^*gydF4y2Ba博士gydF4y2Ba ；gydF4y2Ba
云雨肖gydF4y2Ba^3.gydF4y2Ba博士gydF4y2Ba

^1gydF4y2Ba美国密苏里州圣路易斯华盛顿大学布朗学院gydF4y2Ba

^2gydF4y2Ba中国地质大学(北京)体育系gydF4y2Ba

^3.gydF4y2Ba威尔康奈尔医学院，康奈尔大学，伊萨卡，纽约州，美国gydF4y2Ba

这些作者的贡献相同gydF4y2Ba

通讯作者:gydF4y2Ba

沈静博士gydF4y2Ba

中国地质大学体育系gydF4y2Ba

海淀区学院路29号gydF4y2Ba

北京,100083gydF4y2Ba

中国gydF4y2Ba

电话:86 010 82322397gydF4y2Ba

电子邮件:gydF4y2Bashenjing@cugb.edu.cngydF4y2Ba

背景:gydF4y2Ba肥胖是世界范围内可预防死亡的主要原因。以机器学习(ML)和深度学习(DL)为特征的人工智能(AI)已经成为肥胖研究中不可或缺的工具。gydF4y2Ba

摘要目的:gydF4y2Ba本综述旨在为研究人员和从业者提供人工智能在肥胖研究中的应用概况，使他们熟悉流行的ML和DL模型，并促进人工智能应用的采用。gydF4y2Ba

方法:gydF4y2Ba我们在PubMed和Web of Science上对人工智能在测量、预测和治疗肥胖方面的应用进行了范围审查。我们总结并分类了所使用的人工智能方法，希望能够确定协同作用、模式和趋势，为未来的调查提供信息。我们还提供了一个高层次的，初学者友好的核心方法介绍，以促进各种人工智能技术的传播和采用。gydF4y2Ba

结果:gydF4y2Ba我们确定了46项使用不同ML和DL模型来评估肥胖相关结果的研究。研究发现，人工智能模型有助于检测有临床意义的肥胖模式，或特定协变量与体重结果之间的关系。大多数(18/ 22,82%)比较AI模型与传统统计方法的研究发现，AI模型对测试数据的预测精度更高。一些(5/ 46,11 %)比较不同AI模型性能的研究揭示了混合结果，这表明模型性能对其应用的数据集和任务具有很高的偶然性。采用最先进的深度学习模型而不是标准ML模型的趋势正在加速，以解决具有挑战性的计算机视觉和自然语言处理任务。我们简要介绍了目前流行的ML和DL模型，并总结了它们在本文研究中的具体应用。gydF4y2Ba

结论:gydF4y2Ba本研究回顾了肥胖症文献中采用的人工智能相关方法，特别是应用于表格、图像和文本数据的ML和DL模型。该综述还讨论了新兴趋势，如多模式或多任务人工智能模型、合成数据生成以及人类在循环中的应用，这些趋势可能会在肥胖研究中得到越来越多的应用。gydF4y2Ba

[J] .中国医学信息学报，2010;24(12):591 - 591gydF4y2Ba

doi: 10.2196/40589gydF4y2Ba

关键字gydF4y2Ba

人工智能gydF4y2Ba；gydF4y2Ba 深度学习gydF4y2Ba；gydF4y2Ba 机器学习gydF4y2Ba；gydF4y2Ba 肥胖gydF4y2Ba；gydF4y2Ba 范围审查gydF4y2Ba

背景gydF4y2Ba

以营养过剩(如超重和肥胖)和营养不足(如发育迟缓和消瘦)并存为特征的营养不良的双重负担存在于国家、城市、社区、家庭和个人的各个阶层。gydF4y2Ba1gydF4y2Ba]。肥胖是可预防死亡的主要原因，在许多高收入和一些低收入和中等收入经济体中消耗大量社会资源[gydF4y2Ba2gydF4y2Ba]。自1975年以来，全世界的肥胖率几乎增加了两倍。gydF4y2Ba3.gydF4y2Ba]。2016年，全球13%的人口，即6.5亿成年人肥胖[gydF4y2Ba4gydF4y2Ba]。超过3.4亿5至19岁儿童和青少年以及3900万5岁以下儿童超重或肥胖[gydF4y2Ba4gydF4y2Ba]。到2025年，全球肥胖患病率预计将在男性中达到18%，在女性中达到21% [gydF4y2Ba5gydF4y2Ba]。gydF4y2Ba

现在，研究人员和从业人员可以以前所未有的方式和数量获得卫生数据，这为通过最先进的数据分析推进卫生科学提供了前所未有的机会[gydF4y2Ba6gydF4y2Ba]。相比之下，处理大规模、复杂、非常规的数据(如文本、图像、视频和音频)需要创新的分析工具和近年来才有的计算能力[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba]。以机器学习(ML)和深度学习(DL)为特征的人工智能(AI)越来越被认为是健康科学中不可或缺的工具，相关应用范围从疾病爆发预测到医学成像、患者沟通到行为矫正[qh]gydF4y2Ba9gydF4y2Ba-gydF4y2Ba14gydF4y2Ba]。在过去十年中，在卫生研究中采用人工智能的科学文献激增[gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba]。这些调查应用了广泛的人工智能模型:从gydF4y2Ba浅gydF4y2BaML算法(例如，决策树和k-means聚类)和gydF4y2Ba深的gydF4y2Ba神经网络[gydF4y2Ba17gydF4y2Ba]到各种数据来源(例如临床和观察数据)和类型(例如表格、文本和图像)[gydF4y2Ba18gydF4y2Ba]。人工智能应用的繁荣引发了许多问题[gydF4y2Ba19gydF4y2Ba-gydF4y2Ba21gydF4y2Ba:基于人工智能的方法与传统的统计分析有何不同?与传统方法相比，人工智能技术是否提供了额外的好处或优势?在肥胖研究中有哪些典型的人工智能应用和算法?人工智能是一个最终会过时的流行语，还是未来采用人工智能来研究肥胖的上升趋势会继续下去?gydF4y2Ba

肥胖症研究中人工智能方法的综合与传播gydF4y2Ba

之前的三项研究回顾了人工智能在饮食和运动减肥干预中的应用[gydF4y2Ba22gydF4y2Ba-gydF4y2Ba24gydF4y2Ba]。他们发现了有关人工智能工具在决策支持和数字卫生干预方面有效性的初步但有希望的证据[gydF4y2Ba22gydF4y2Ba-gydF4y2Ba24gydF4y2Ba]。然而，据我们所知，目前还没有研究总结人工智能算法、模型和方法在肥胖研究中的应用。这项研究仍然是第一个关于人工智能在测量、预测和治疗儿童和成人肥胖方面应用的方法学综述。它有两个目的:综合和传播肥胖研究中采用的人工智能方法。首先，我们专注于总结和分类肥胖文献中使用的人工智能方法，希望能够确定协同作用、模式和趋势，为未来的科学研究提供信息。其次，我们为感兴趣的读者提供了一个高层次的、初学者友好的核心方法介绍，旨在促进各种人工智能技术的传播和采用。gydF4y2Ba

范围检讨是按照PRISMA-ScR(范围检讨的系统检讨及元分析扩展的首选报告项目)指引进行的[gydF4y2Ba25gydF4y2Ba]。gydF4y2Ba

研究选择标准gydF4y2Ba

符合以下所有标准的研究被纳入本综述:(1)研究设计:实验或观察性研究;(2)分析方法:使用AI，包括ML和DL(即深度神经网络)来测量、预测或干预与肥胖相关的结果;(3)研究对象:各年龄段的人;(4)结局:肥胖或体重状况(如BMI、体脂率[BFP]、腰围[WC]和腰臀比[WHR]);(5)文章类型:原创、实证、同行评议的期刊出版物;(6)检索时间窗口:从电子书目数据库开通到2022年1月1日;(7)语言:用英文写的文章。gydF4y2Ba

符合以下任何标准的研究被排除在本综述之外:(1)关注肥胖以外的结果的研究(例如，饮食、身体活动、能量消耗和糖尿病);(2)使用基于规则的(gydF4y2Ba硬编码gydF4y2Ba)方法，而不是基于示例的ML或DL;(三)非英文文章;(4)信件、社论、研究或综述方案、病例报告和综述文章。gydF4y2Ba

搜索策略gydF4y2Ba

在PubMed和Web of Science两个电子书目数据库中进行关键词检索。搜索算法包括以下两组关键词的所有可能组合:(1)“人工智能”、“计算智能”、“机器智能”、“计算机推理”、“机器学习”、“深度学习”、“神经网络”、“神经网络”或“强化学习”;(2)“肥胖”、“肥胖”、“超重”、“体重指数”、“BMI”、“肥胖”、“体脂”、“腰围”、“腰到臀”或“腰到臀”。医学主题词“人工智能”和“肥胖”被包括在PubMed搜索中。gydF4y2Ba多媒体附录1gydF4y2Ba记录了PubMed中使用的搜索算法。本综述的两位合著者独立地对关键词检索到的文章进行标题和摘要筛选，检索可能符合条件的文章，并对其全文进行评估。采用Cohen kappa (κ=0.80)评估2位合著者之间的解释者一致性。分歧通过讨论解决了。gydF4y2Ba

数据提取与合成gydF4y2Ba

使用标准化数据提取表从每个纳入的研究中收集以下方法学和结果变量:作者;出版年份;国家;数据收集周期;研究设计;样本大小;训练、验证和测试集大小;样本特征;女性参与比例;年龄范围; AI models used; input data source; input data format; input features; outcome data type; outcome measures; unit of analysis; main study findings; and implications for the effectiveness and usefulness of AI in measuring, predicting, or intervening obesity-related outcomes.

方法回顾gydF4y2Ba

我们将纳入的研究采用的人工智能方法分为两大类:ML和DL模型。在机器学习模型中，方法分为两类:无监督学习和有监督学习。在深度学习模型中，方法分为三大类:表格数据建模、计算机视觉(CV)和自然语言处理(NLP)。我们没有列举被纳入研究的每一个模型，这是不必要的和没有启发性的，而是集中在多个研究使用的流行模型上。gydF4y2Ba

研究鉴定gydF4y2Ba

图1gydF4y2Ba显示了PRISMA(系统评价和荟萃分析的首选报告项目)流程图。我们通过关键词搜索共识别出3090篇文章，在去除499篇(16.15%)重复后，对2591篇(83.85%)独特的文章进行了标题和摘要筛选。在这2591篇文章中，2532篇(97.72%)被排除，其余59篇(2.28%)的全文根据研究选择标准进行了审查。在这59篇文章中，13篇(22%)被排除。排除的原因如下:没有采用人工智能技术(1/ 13,8 %)，没有肥胖相关的结果(11/ 13,85 %)，评论而不是原始的实证研究(1/ 13,8 %)。因此，在最初通过关键词搜索确定的3090篇文章中，46篇(1.49%)被纳入综述[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba71gydF4y2Ba]。gydF4y2Ba

研究特点gydF4y2Ba

表1gydF4y2Ba总结46项纳入研究的主要特征。观察到有关出版物有增加的趋势。该综述中最早的研究发表于1997年;其他论文发表于2008年或之后;例如，2008年、2012年和2017年各占2% (1/46);2014年和2016年各占4% (2/46);2009年和2015年各占7% (3/46);2018年为9% (4/46);2019年为15% (7/46);2020年20% (9/46); and 26% (12/46) in 2021. Of the 46 studies, 16 (35%) were conducted in the United States [28gydF4y2Ba，gydF4y2Ba32gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba37gydF4y2Ba，gydF4y2Ba42gydF4y2Ba，gydF4y2Ba46gydF4y2Ba，gydF4y2Ba48gydF4y2Ba，gydF4y2Ba50gydF4y2Ba-gydF4y2Ba53gydF4y2Ba，gydF4y2Ba57gydF4y2Ba，gydF4y2Ba58gydF4y2Ba，gydF4y2Ba60gydF4y2Ba，gydF4y2Ba62gydF4y2Ba，gydF4y2Ba63gydF4y2Ba];6(13%)在中国[gydF4y2Ba39gydF4y2Ba，gydF4y2Ba40gydF4y2Ba，gydF4y2Ba45gydF4y2Ba，gydF4y2Ba56gydF4y2Ba，gydF4y2Ba64gydF4y2Ba，gydF4y2Ba65gydF4y2Ba];联合王国各3个(7%)[gydF4y2Ba27gydF4y2Ba，gydF4y2Ba68gydF4y2Ba，gydF4y2Ba69gydF4y2Ba]和韩国[gydF4y2Ba35gydF4y2Ba，gydF4y2Ba43gydF4y2Ba，gydF4y2Ba49gydF4y2Ba];意大利各2个(4%)[gydF4y2Ba36gydF4y2Ba，gydF4y2Ba71gydF4y2Ba]，土耳其[gydF4y2Ba41gydF4y2Ba，gydF4y2Ba70gydF4y2Ba]，芬兰[gydF4y2Ba44gydF4y2Ba，gydF4y2Ba59gydF4y2Ba]，德国[gydF4y2Ba54gydF4y2Ba，gydF4y2Ba55gydF4y2Ba]和印度[gydF4y2Ba36gydF4y2Ba，gydF4y2Ba71gydF4y2Ba];沙特阿拉伯各1个(2%)[gydF4y2Ba26gydF4y2Ba]，伊朗[gydF4y2Ba67gydF4y2Ba]，塞尔维亚[gydF4y2Ba66gydF4y2Ba]，葡萄牙[gydF4y2Ba61gydF4y2Ba]，西班牙[gydF4y2Ba47gydF4y2Ba]，新加坡[gydF4y2Ba38gydF4y2Ba]，澳大利亚[gydF4y2Ba34gydF4y2Ba]和印度尼西亚[gydF4y2Ba29gydF4y2Ba]。在46项研究中，32项(70%)采用了横断面研究设计[gydF4y2Ba26gydF4y2Ba，gydF4y2Ba27gydF4y2Ba，gydF4y2Ba29gydF4y2Ba-gydF4y2Ba32gydF4y2Ba，gydF4y2Ba37gydF4y2Ba，gydF4y2Ba39gydF4y2Ba-gydF4y2Ba42gydF4y2Ba，gydF4y2Ba46gydF4y2Ba-gydF4y2Ba50gydF4y2Ba，gydF4y2Ba52gydF4y2Ba，gydF4y2Ba55gydF4y2Ba-gydF4y2Ba58gydF4y2Ba，gydF4y2Ba60gydF4y2Ba-gydF4y2Ba63gydF4y2Ba，gydF4y2Ba65gydF4y2Ba-gydF4y2Ba71gydF4y2Ba]， 7(15%)前瞻性研究设计[gydF4y2Ba28gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba38gydF4y2Ba，gydF4y2Ba43gydF4y2Ba，gydF4y2Ba45gydF4y2Ba，gydF4y2Ba54gydF4y2Ba，gydF4y2Ba59gydF4y2Ba]， 6(13%)回顾性研究设计[gydF4y2Ba34gydF4y2Ba-gydF4y2Ba36gydF4y2Ba，gydF4y2Ba51gydF4y2Ba，gydF4y2Ba53gydF4y2Ba，gydF4y2Ba64gydF4y2Ba]和1个(2%)双胎对照设计[gydF4y2Ba44gydF4y2Ba]。在纳入的研究中，样本量差异很大，从20到5265265不等。在这46项研究中，7项(15%)的样本量在20至82人之间;11人(24%)在130至600之间;1061 ~ 9524之间19 (41%);6(13%)在16,553 - 49,805之间;2(4%)在244,053 - 618,898之间;1项(2%)研究的样本量为5,265,265。在这46项研究中，23项(50%)针对成人，14项(30%)针对儿童和青少年，1项(2%)针对所有年龄段的人，其余8项(17%)没有报告参与者的年龄范围。gydF4y2Ba

表1。纳入本综述的研究特征。gydF4y2Ba

作者,年gydF4y2Ba	国家gydF4y2Ba	数据收集周期gydF4y2Ba	研究设计gydF4y2Ba	样本大小gydF4y2Ba	训练集大小gydF4y2Ba	验证集大小;测试集大小gydF4y2Ba	样本特征gydF4y2Ba	女性参与者(%)gydF4y2Ba	年龄(年)gydF4y2Ba	人工智能gydF4y2Ba^{一个gydF4y2Ba}模型gydF4y2Ba
阿卜杜勒-阿尔和曼古德[gydF4y2Ba26gydF4y2Ba), 1997年gydF4y2Ba	沙特阿拉伯gydF4y2Ba	1995gydF4y2Ba	横截面gydF4y2Ba	1100gydF4y2Ba	800gydF4y2Ba	N / A;300gydF4y2Ba	病人gydF4y2Ba	N/AgydF4y2Ba^bgydF4y2Ba	≥20gydF4y2Ba	神经网络gydF4y2Ba^cgydF4y2Ba(目标gydF4y2Ba^dgydF4y2Ba诱导的)gydF4y2Ba
Positano等[gydF4y2Ba71gydF4y2Ba), 2008年gydF4y2Ba	意大利gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	20.gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	不同程度肥胖的参与者gydF4y2Ba	N/AgydF4y2Ba	平均52 (SD 16)gydF4y2Ba	模糊c均值gydF4y2Ba
水系(gydF4y2Ba70gydF4y2Ba), 2009年gydF4y2Ba	火鸡gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	82gydF4y2Ba	41gydF4y2Ba	N / A;41gydF4y2Ba	不同肥胖程度的参与者gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	LRgydF4y2Ba^egydF4y2Ba中长期规划,gydF4y2Ba^fgydF4y2Ba
Yang等[gydF4y2Ba69gydF4y2Ba), 2009年gydF4y2Ba	联合王国gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	507gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	病人gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	支持向量机gydF4y2Ba^ggydF4y2Ba
Zhang等[gydF4y2Ba68gydF4y2Ba), 2009年gydF4y2Ba	联合王国gydF4y2Ba	1988至2003年gydF4y2Ba	横截面gydF4y2Ba	16553年gydF4y2Ba	11091年gydF4y2Ba	N / A;5462gydF4y2Ba	孩子们gydF4y2Ba	N/AgydF4y2Ba	出生至3岁gydF4y2Ba	注gydF4y2Ba^hgydF4y2Ba， svm, dtgydF4y2Ba^我gydF4y2Ba,神经网络gydF4y2Ba
Heydari等[gydF4y2Ba67gydF4y2Ba), 2012年gydF4y2Ba	伊朗gydF4y2Ba	2010gydF4y2Ba	横截面gydF4y2Ba	414gydF4y2Ba	248gydF4y2Ba	N / A;104gydF4y2Ba	健康的军人gydF4y2Ba	N/AgydF4y2Ba	平均34.4 (SD 7.5)gydF4y2Ba	神经网络,LRgydF4y2Ba
Kupusinac等[gydF4y2Ba66gydF4y2Ba), 2014年gydF4y2Ba	塞尔维亚gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	2755gydF4y2Ba	1929gydF4y2Ba	413;413gydF4y2Ba	成年人gydF4y2Ba	48.3gydF4y2Ba	18至88岁gydF4y2Ba	神经网络gydF4y2Ba
邵(gydF4y2Ba65gydF4y2Ba), 2014年gydF4y2Ba	中国gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	248gydF4y2Ba	174gydF4y2Ba	N / A;74gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	先生gydF4y2Ba^jgydF4y2Ba、火星gydF4y2Ba^kgydF4y2Ba， svm, nngydF4y2Ba
Chen等[gydF4y2Ba64gydF4y2Ba), 2015年gydF4y2Ba	中国gydF4y2Ba	N/AgydF4y2Ba	回顾gydF4y2Ba	476gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	不同肥胖程度的参与者gydF4y2Ba	62.4gydF4y2Ba	22至82gydF4y2Ba	神经网络(榆树gydF4y2Ba^lgydF4y2Ba）gydF4y2Ba
Dugan等[gydF4y2Ba63gydF4y2Ba), 2015年gydF4y2Ba	美国gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	7519gydF4y2Ba	6767gydF4y2Ba	N / A;752gydF4y2Ba	孩子们gydF4y2Ba	49gydF4y2Ba	2到10gydF4y2Ba	DT,射频gydF4y2Ba^米gydF4y2Ba， nb, nn (bngydF4y2Ba^ngydF4y2Ba）gydF4y2Ba
Nau等[gydF4y2Ba62gydF4y2Ba), 2015年gydF4y2Ba	美国gydF4y2Ba	2010gydF4y2Ba	横截面gydF4y2Ba	22497年gydF4y2Ba	15073年gydF4y2Ba	N / A;7424gydF4y2Ba	孩子们gydF4y2Ba	N/AgydF4y2Ba	10至18岁gydF4y2Ba	射频gydF4y2Ba
Almeida等[gydF4y2Ba61gydF4y2Ba), 2016年gydF4y2Ba	葡萄牙gydF4y2Ba	2009年至2013年gydF4y2Ba	横截面gydF4y2Ba	3084gydF4y2Ba	1537gydF4y2Ba	N / A;664gydF4y2Ba	学龄儿童gydF4y2Ba	49.7gydF4y2Ba	9gydF4y2Ba	LR,神经网络gydF4y2Ba
凌仁等[gydF4y2Ba60gydF4y2Ba), 2016年gydF4y2Ba	美国gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	428gydF4y2Ba	257gydF4y2Ba	N / A;86gydF4y2Ba	孩子们gydF4y2Ba	N/AgydF4y2Ba	1 ~ 6gydF4y2Ba	支持向量机,注gydF4y2Ba
Seyednasrollah等人[gydF4y2Ba59gydF4y2Ba), 2017年gydF4y2Ba	芬兰gydF4y2Ba	1980年至2012年gydF4y2Ba	未来的gydF4y2Ba	2262gydF4y2Ba	1625gydF4y2Ba	N / A;637gydF4y2Ba	成年人gydF4y2Ba	N/AgydF4y2Ba	≥18gydF4y2Ba	GBgydF4y2Ba^ogydF4y2Ba
Hinojosa等[gydF4y2Ba58gydF4y2Ba), 2018年gydF4y2Ba	美国gydF4y2Ba	2003至2007年gydF4y2Ba	横截面gydF4y2Ba	5265265年gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	学龄儿童:5年级、7年级和9年级gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	射频gydF4y2Ba
Maharana和Nsoesie [gydF4y2Ba57gydF4y2Ba), 2018年gydF4y2Ba	美国gydF4y2Ba	2017gydF4y2Ba	横截面gydF4y2Ba	1695gydF4y2Ba	508gydF4y2Ba	N / A;339gydF4y2Ba	成年人gydF4y2Ba	N/AgydF4y2Ba	≥18gydF4y2Ba	神经网络(CNNgydF4y2Ba^pgydF4y2Ba）gydF4y2Ba
Wang等[gydF4y2Ba56gydF4y2Ba), 2018年gydF4y2Ba	中国gydF4y2Ba	2014 - 2015gydF4y2Ba	横截面gydF4y2Ba	139gydF4y2Ba	111gydF4y2Ba	N / A;28gydF4y2Ba	不同肥胖程度的参与者gydF4y2Ba	36.7gydF4y2Ba	27至53岁gydF4y2Ba	支持向量机,然而,gydF4y2Ba^问gydF4y2Ba， dt, lrgydF4y2Ba
Duran等[gydF4y2Ba55gydF4y2Ba), 2018年gydF4y2Ba	德国gydF4y2Ba	1999年至2004年gydF4y2Ba	横截面gydF4y2Ba	1999gydF4y2Ba	1333gydF4y2Ba	N / A;666gydF4y2Ba	孩子们gydF4y2Ba	42.8gydF4y2Ba	8 ~ 19gydF4y2Ba	神经网络gydF4y2Ba
Gerl等人[gydF4y2Ba54gydF4y2Ba), 2019年gydF4y2Ba	德国gydF4y2Ba	2012;1991至1994年gydF4y2Ba	未来的gydF4y2Ba	1061gydF4y2Ba	796gydF4y2Ba	206;250gydF4y2Ba	N/AgydF4y2Ba	53.8gydF4y2Ba	N/AgydF4y2Ba	立体派,套索gydF4y2Ba^rgydF4y2Ba,请gydF4y2Ba^{年代gydF4y2Ba}， gb, rf, lmgydF4y2Ba^tgydF4y2Ba
Hammond等[gydF4y2Ba53gydF4y2Ba), 2019年gydF4y2Ba	美国gydF4y2Ba	2008年至2016年gydF4y2Ba	回顾gydF4y2Ba	3449gydF4y2Ba	482gydF4y2Ba	N / A;207gydF4y2Ba	孩子们gydF4y2Ba	49.2gydF4y2Ba	4.5 - 5.5gydF4y2Ba	套索，rf, gbgydF4y2Ba
Hong等[gydF4y2Ba52gydF4y2Ba), 2019年gydF4y2Ba	美国gydF4y2Ba	2008gydF4y2Ba	横截面gydF4y2Ba	1237gydF4y2Ba	1400gydF4y2Ba	N / A;600gydF4y2Ba	病人gydF4y2Ba	N/AgydF4y2Ba	≥18gydF4y2Ba	Lr svm dt rfgydF4y2Ba
Ramyaa等[gydF4y2Ba51gydF4y2Ba), 2019年gydF4y2Ba	美国gydF4y2Ba	1993至1994年gydF4y2Ba	回顾gydF4y2Ba	48508年gydF4y2Ba	33956年gydF4y2Ba	N / A;14552年gydF4y2Ba	绝经后妇女gydF4y2Ba	One hundred.gydF4y2Ba	50 - 79gydF4y2Ba	Svm, knn, dt, pcagydF4y2Ba^ugydF4y2Ba， rf, nngydF4y2Ba
Scheinker等[gydF4y2Ba50gydF4y2Ba), 2019年gydF4y2Ba	美国gydF4y2Ba	2018gydF4y2Ba	横截面gydF4y2Ba	3138gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	人口普查gydF4y2Ba	49.9gydF4y2Ba	所有年龄gydF4y2Ba	LM、GBgydF4y2Ba
Shin等[gydF4y2Ba49gydF4y2Ba), 2019年gydF4y2Ba	韩国gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	163gydF4y2Ba	143gydF4y2Ba	N / A;20.gydF4y2Ba	业余运动员gydF4y2Ba	37.4gydF4y2Ba	17至25岁gydF4y2Ba	神经网络gydF4y2Ba
Stephens等[gydF4y2Ba48gydF4y2Ba), 2019年gydF4y2Ba	美国gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	23gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	有肥胖症状的青少年gydF4y2Ba	57gydF4y2Ba	范围9.78 - -18.54gydF4y2Ba	神经网络gydF4y2Ba
Blanes-Selva等[gydF4y2Ba47gydF4y2Ba), 2020年gydF4y2Ba	西班牙gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	49805年gydF4y2Ba	39844年gydF4y2Ba	N / A;9961gydF4y2Ba	病人gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	聚氨酯gydF4y2Ba^vgydF4y2Ba学习gydF4y2Ba
Dunstan等[gydF4y2Ba46gydF4y2Ba), 2020年gydF4y2Ba	美国gydF4y2Ba	2008gydF4y2Ba	横截面gydF4y2Ba	79gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	成年人gydF4y2Ba	N/AgydF4y2Ba	≥20gydF4y2Ba	Svm, rf, gbgydF4y2Ba
Fu等[gydF4y2Ba45gydF4y2Ba), 2020年gydF4y2Ba	中国gydF4y2Ba	1999年至2003年gydF4y2Ba	未来的gydF4y2Ba	2125gydF4y2Ba	1143gydF4y2Ba	381;382gydF4y2Ba	孩子们gydF4y2Ba	40.6gydF4y2Ba	4至7gydF4y2Ba	GBgydF4y2Ba
Kibble等[gydF4y2Ba44gydF4y2Ba), 2020年gydF4y2Ba	芬兰gydF4y2Ba	N/AgydF4y2Ba	Cotwin控制gydF4y2Ba	43gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	年轻的同卵双胞胎gydF4y2Ba	53gydF4y2Ba	22至36岁gydF4y2Ba	联合会gydF4y2Ba^wgydF4y2Ba
Park等[gydF4y2Ba43gydF4y2Ba), 2020年gydF4y2Ba	韩国gydF4y2Ba	N/AgydF4y2Ba	未来的gydF4y2Ba	76gydF4y2Ba	75gydF4y2Ba	N / A;1gydF4y2Ba	青少年gydF4y2Ba	6.8;N/AgydF4y2Ba	平均11.94 (SD 3.13);平均值13.42 (SD 3.25)gydF4y2Ba	套索gydF4y2Ba
Phan等[gydF4y2Ba42gydF4y2Ba), 2020年gydF4y2Ba	美国gydF4y2Ba	2017 - 2018gydF4y2Ba	横截面gydF4y2Ba	18700张图片gydF4y2Ba	14960年gydF4y2Ba	N / A;3740gydF4y2Ba	青少年和成年人gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	Lm, nn (cnn)gydF4y2Ba
Taghiyev等[gydF4y2Ba41gydF4y2Ba), 2020年gydF4y2Ba	火鸡gydF4y2Ba	2019gydF4y2Ba	横截面gydF4y2Ba	500gydF4y2Ba	325gydF4y2Ba	N / A;175gydF4y2Ba	女性患者gydF4y2Ba	One hundred.gydF4y2Ba	≥18gydF4y2Ba	DT, LRgydF4y2Ba
肖等[gydF4y2Ba40gydF4y2Ba), 2020年gydF4y2Ba	中国gydF4y2Ba	2007至2010年gydF4y2Ba	横截面gydF4y2Ba	9524gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	居民gydF4y2Ba	54gydF4y2Ba	≥18gydF4y2Ba	Lr, nn (cnn)gydF4y2Ba
Yao等[gydF4y2Ba39gydF4y2Ba), 2020年gydF4y2Ba	中国gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	67;24gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	智能手机用户gydF4y2Ba	N / A;41.7gydF4y2Ba	意思是25.19;18-46范围gydF4y2Ba	神经网络gydF4y2Ba
Alkutbe等[gydF4y2Ba27gydF4y2Ba), 2021年gydF4y2Ba	联合王国gydF4y2Ba	2014;2015 - 2016gydF4y2Ba	横截面gydF4y2Ba	1223gydF4y2Ba	977gydF4y2Ba	N / A;246gydF4y2Ba	孩子们gydF4y2Ba	61.8gydF4y2Ba	8 - 12gydF4y2Ba	GBgydF4y2Ba
Bhanu等[gydF4y2Ba38gydF4y2Ba), 2021年gydF4y2Ba	新加坡gydF4y2Ba	2003至2006年gydF4y2Ba	未来的gydF4y2Ba	130gydF4y2Ba	104gydF4y2Ba	N / A;26gydF4y2Ba	老年人gydF4y2Ba	69.5gydF4y2Ba	平均67.85 (SD 7.90)gydF4y2Ba	神经网络(U-Net)gydF4y2Ba
Cheng等[gydF4y2Ba37gydF4y2Ba), 2021年gydF4y2Ba	美国gydF4y2Ba	2003年至2004年;2005至2006年gydF4y2Ba	横截面gydF4y2Ba	7162gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	成年人gydF4y2Ba	48.6gydF4y2Ba	20 - 85gydF4y2Ba	嗯，我知道，我见过gydF4y2Ba^xgydF4y2Ba， dt, nn (mlp)gydF4y2Ba
Delnevo等[gydF4y2Ba36gydF4y2Ba), 2021年gydF4y2Ba	意大利gydF4y2Ba	N/AgydF4y2Ba	回顾gydF4y2Ba	221gydF4y2Ba	176gydF4y2Ba	N / A;45gydF4y2Ba	不同肥胖程度的参与者gydF4y2Ba	N/AgydF4y2Ba	N/AgydF4y2Ba	GB,射频gydF4y2Ba
Lee等[gydF4y2Ba35gydF4y2Ba), 2021年gydF4y2Ba	韩国gydF4y2Ba	2015 - 2020gydF4y2Ba	回顾gydF4y2Ba	3159gydF4y2Ba	2370gydF4y2Ba	N / A;789gydF4y2Ba	产科病人及其新生儿gydF4y2Ba	One hundred.gydF4y2Ba	20 - 44岁gydF4y2Ba	Lm, rf, nngydF4y2Ba
Lin等[gydF4y2Ba34gydF4y2Ba), 2021年gydF4y2Ba	澳大利亚gydF4y2Ba	2010 - 2019gydF4y2Ba	回顾gydF4y2Ba	2495gydF4y2Ba	882gydF4y2Ba	N / A;1613gydF4y2Ba	不同肥胖程度的参与者gydF4y2Ba	67.4gydF4y2Ba	21至36岁gydF4y2Ba	两步聚类分析，k-meansgydF4y2Ba
Pang等[gydF4y2Ba33gydF4y2Ba), 2021年gydF4y2Ba	美国gydF4y2Ba	2009 - 2017gydF4y2Ba	未来的gydF4y2Ba	27203年gydF4y2Ba	21762年gydF4y2Ba	N / A;5441gydF4y2Ba	孩子们gydF4y2Ba	49.2gydF4y2Ba	< 2gydF4y2Ba	Dt nb lr svm gb nngydF4y2Ba
Park等[gydF4y2Ba32gydF4y2Ba), 2021年gydF4y2Ba	美国gydF4y2Ba	2014 - 2016gydF4y2Ba	横截面gydF4y2Ba	5000条gydF4y2Ba	4500gydF4y2Ba	N / A;500gydF4y2Ba	Twitter用户gydF4y2Ba	60.7gydF4y2Ba	平均51.91 (SD 17.20)gydF4y2Ba	Nb, svm, nn (cnn, LSTMgydF4y2Ba^ygydF4y2Ba）gydF4y2Ba
Rashmi等[gydF4y2Ba31gydF4y2Ba), 2021年gydF4y2Ba	印度gydF4y2Ba	2020gydF4y2Ba	横截面gydF4y2Ba	600张图片gydF4y2Ba	420gydF4y2Ba	120;60gydF4y2Ba	孩子们gydF4y2Ba	50gydF4y2Ba	8 - 11gydF4y2Ba	Svm nb rfgydF4y2Ba
Snekhalatha和Sangamithirai [gydF4y2Ba30.gydF4y2Ba), 2021年gydF4y2Ba	印度gydF4y2Ba	N/AgydF4y2Ba	横截面gydF4y2Ba	2700张图片gydF4y2Ba	2000gydF4y2Ba	500;200gydF4y2Ba	成年人gydF4y2Ba	N/AgydF4y2Ba	平均45 (SD 2.5)gydF4y2Ba	NN (VGG, ResNet, DenseNet)gydF4y2Ba
Thamrin等[gydF4y2Ba29gydF4y2Ba), 2021年gydF4y2Ba	印尼gydF4y2Ba	2018gydF4y2Ba	横截面gydF4y2Ba	618898年gydF4y2Ba	557008年gydF4y2Ba	N / A;61890年gydF4y2Ba	成年人gydF4y2Ba	N/AgydF4y2Ba	≥18gydF4y2Ba	Dt nb lrgydF4y2Ba
Zare等[gydF4y2Ba28gydF4y2Ba), 2021年gydF4y2Ba	美国gydF4y2Ba	2003至2019年gydF4y2Ba	未来的gydF4y2Ba	244053年gydF4y2Ba	162702年gydF4y2Ba	N / A;81351年gydF4y2Ba	孩子们gydF4y2Ba	49gydF4y2Ba	5 - 6gydF4y2Ba	Dt lr rf nngydF4y2Ba

^{一个gydF4y2Ba}AI:人工智能。gydF4y2Ba

^bgydF4y2Ba-不适用。gydF4y2Ba

^cgydF4y2BaNN:神经网络。gydF4y2Ba

^dgydF4y2Ba目的:外展诱导机制。gydF4y2Ba

^egydF4y2BaLR:逻辑回归。gydF4y2Ba

^fgydF4y2Ba多层感知器。gydF4y2Ba

^ggydF4y2BaSVM:支持向量机。gydF4y2Ba

^hgydF4y2Ba注意:naïve贝叶斯。gydF4y2Ba

^我gydF4y2BaDT:决策树。gydF4y2Ba

^jgydF4y2BaMR:多元回归。gydF4y2Ba

^kgydF4y2BaMARS:多元自适应回归样条。gydF4y2Ba

^lgydF4y2BaELM:极限学习机。gydF4y2Ba

^米gydF4y2Ba随机森林。gydF4y2Ba

^ngydF4y2BaBN: BayesNet。gydF4y2Ba

^ogydF4y2BaGB:梯度增强。gydF4y2Ba

^pgydF4y2BaCNN:卷积神经网络。gydF4y2Ba

^问gydF4y2Bak近邻。gydF4y2Ba

^rgydF4y2Ba拉索:最小绝对收缩和选择操作符。gydF4y2Ba

^{年代gydF4y2Ba}偏最小二乘。gydF4y2Ba

^tgydF4y2BaLM:线性模型。gydF4y2Ba

^ugydF4y2Ba主成分分析。gydF4y2Ba

^vgydF4y2BaPU:阳性，未标记。gydF4y2Ba

^wgydF4y2BaGFA:群体因子分析。gydF4y2Ba

^xgydF4y2Ba多目标进化模糊分类器。gydF4y2Ba

^ygydF4y2BaLSTM:长短期记忆。gydF4y2Ba

数据来源和结果测量gydF4y2Ba

表2gydF4y2Ba总结综述中纳入的研究的数据来源和结果测量。输入数据来自各种来源，包括健康调查(例如，国家健康和营养检查调查)、电子健康记录、磁共振成像(MRI)扫描、社交媒体数据(例如，推特)和地理聚合数据集(例如，InfoUSA和Dun & Bradstreet)。在46项研究中，34项(74%)分析了表格数据(如电子表格数据)[gydF4y2Ba26gydF4y2Ba-gydF4y2Ba29gydF4y2Ba，gydF4y2Ba33gydF4y2Ba-gydF4y2Ba37gydF4y2Ba，gydF4y2Ba39gydF4y2Ba，gydF4y2Ba41gydF4y2Ba，gydF4y2Ba44gydF4y2Ba-gydF4y2Ba47gydF4y2Ba，gydF4y2Ba49gydF4y2Ba-gydF4y2Ba51gydF4y2Ba，gydF4y2Ba53gydF4y2Ba-gydF4y2Ba56gydF4y2Ba，gydF4y2Ba58gydF4y2Ba-gydF4y2Ba68gydF4y2Ba，gydF4y2Ba70gydF4y2Ba]， 8例(17%)分析了数字图像数据[gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba31gydF4y2Ba，gydF4y2Ba38gydF4y2Ba，gydF4y2Ba40gydF4y2Ba，gydF4y2Ba42gydF4y2Ba，gydF4y2Ba43gydF4y2Ba，gydF4y2Ba57gydF4y2Ba，gydF4y2Ba71gydF4y2Ba]， 4例(9%)分析文本数据[gydF4y2Ba32gydF4y2Ba，gydF4y2Ba48gydF4y2Ba，gydF4y2Ba52gydF4y2Ba，gydF4y2Ba69gydF4y2Ba]。研究中使用的与肥胖相关的测量包括人体测量(如体重、BMI、BFP、WC和WHR)和生物标志物。gydF4y2Ba

表2。本综述纳入的研究的数据来源和结果测量方法。gydF4y2Ba

作者,年gydF4y2Ba	输入数据源gydF4y2Ba	输入数据格式gydF4y2Ba	输入特征(自变量)gydF4y2Ba	结果数据类型gydF4y2Ba	结果测量gydF4y2Ba	分析单元gydF4y2Ba
阿卜杜勒-阿尔和曼古德[gydF4y2Ba26gydF4y2Ba), 1997年gydF4y2Ba	医疗调查数据gydF4y2Ba	表格gydF4y2Ba	13健康参数gydF4y2Ba	连续gydF4y2Ba	WHRgydF4y2Ba^{一个gydF4y2Ba}	个人gydF4y2Ba
Positano等[gydF4y2Ba71gydF4y2Ba), 2008年gydF4y2Ba	核磁共振成像gydF4y2Ba^bgydF4y2Ba	图像gydF4y2Ba	皮下脂肪组织和内脏脂肪组织gydF4y2Ba	二进制gydF4y2Ba	腹部脂肪组织分布gydF4y2Ba	个人gydF4y2Ba
水系(gydF4y2Ba70gydF4y2Ba), 2009年gydF4y2Ba	从参与者处获取gydF4y2Ba	表格gydF4y2Ba	24个肥胖参数gydF4y2Ba	二进制gydF4y2Ba	肥胖的分类gydF4y2Ba	个人gydF4y2Ba
Yang等[gydF4y2Ba69gydF4y2Ba), 2009年gydF4y2Ba	临床数据gydF4y2Ba	文本gydF4y2Ba	临床出院总结gydF4y2Ba	二进制gydF4y2Ba	肥胖状态gydF4y2Ba	个人gydF4y2Ba
Zhang等[gydF4y2Ba68gydF4y2Ba), 2009年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	记录儿童出生后两年内的体重数据gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Heydari等[gydF4y2Ba67gydF4y2Ba), 2012年gydF4y2Ba	问卷与客观测量gydF4y2Ba	表格gydF4y2Ba	年龄，收缩期，舒张期，体重，身高，身体质量指数，腰围gydF4y2Ba^cgydF4y2Ba, HCgydF4y2Ba^dgydF4y2Ba、肱三头肌皮褶和腹部厚度gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Kupusinac等[gydF4y2Ba66gydF4y2Ba), 2014年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	性别，年龄和体重指数gydF4y2Ba	连续gydF4y2Ba	桶形gydF4y2Ba^egydF4y2Ba	个人gydF4y2Ba
邵(gydF4y2Ba65gydF4y2Ba), 2014年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	13体围测量gydF4y2Ba	连续gydF4y2Ba	桶形gydF4y2Ba	个人gydF4y2Ba
Chen等[gydF4y2Ba64gydF4y2Ba), 2015年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	18项血液指标和16项生化指标gydF4y2Ba	连续gydF4y2Ba	超重gydF4y2Ba	个人gydF4y2Ba
Dugan等[gydF4y2Ba63gydF4y2Ba), 2015年gydF4y2Ba	问卷与客观测量gydF4y2Ba	表格gydF4y2Ba	167临床数据属性gydF4y2Ba	连续gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Nau等[gydF4y2Ba62gydF4y2Ba), 2015年gydF4y2Ba	两个辅助数据来源(InfoUSA和Dun & Bradstreet)gydF4y2Ba	表格gydF4y2Ba	44 .社区特色gydF4y2Ba	二进制gydF4y2Ba	致肥环境和保护环境gydF4y2Ba	社区gydF4y2Ba
Almeida等[gydF4y2Ba61gydF4y2Ba), 2016年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	年龄，性别，身体质量指数gydF4y2BazgydF4y2Ba得分，和小腿围gydF4y2Ba	连续gydF4y2Ba	桶形gydF4y2Ba	个人gydF4y2Ba
凌仁等[gydF4y2Ba60gydF4y2Ba), 2016年gydF4y2Ba	电子健康档案gydF4y2Ba^fgydF4y2Ba	表格gydF4y2Ba	电子健康档案数据gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Seyednasrollah等[gydF4y2Ba59gydF4y2Ba), 2017年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	临床因素和遗传风险因素gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Hinojosa等[gydF4y2Ba58gydF4y2Ba), 2018年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	学校环境gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	学校gydF4y2Ba
Maharana和Nsoesie [gydF4y2Ba57gydF4y2Ba), 2018年gydF4y2Ba	客观的测量gydF4y2Ba	图像gydF4y2Ba	建筑环境gydF4y2Ba	连续gydF4y2Ba	肥胖患病率gydF4y2Ba	普查区gydF4y2Ba
Wang等[gydF4y2Ba56gydF4y2Ba), 2018年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	单核苷酸多态性gydF4y2Ba	二进制gydF4y2Ba	肥胖的风险gydF4y2Ba	个人gydF4y2Ba
Duran等[gydF4y2Ba55gydF4y2Ba), 2018年gydF4y2Ba	NHANESgydF4y2Ba^ggydF4y2Ba	表格gydF4y2Ba	年龄，身高，体重和腰围gydF4y2Ba	二进制gydF4y2Ba	体内脂肪过多gydF4y2Ba	个人gydF4y2Ba
Gerl等人[gydF4y2Ba54gydF4y2Ba), 2019年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	人血浆脂质体gydF4y2Ba	二值连续gydF4y2Ba	肥胖:BMI, WC, WHR和BFPgydF4y2Ba	个人gydF4y2Ba
Hammond等[gydF4y2Ba53gydF4y2Ba), 2019年gydF4y2Ba	电子病历和公开数据gydF4y2Ba	表格gydF4y2Ba	电子健康档案数据gydF4y2Ba	二值连续gydF4y2Ba	肥胖状态gydF4y2Ba	个人gydF4y2Ba
Hong等[gydF4y2Ba52gydF4y2Ba), 2019年gydF4y2Ba	电子健康档案gydF4y2Ba	文本gydF4y2Ba	放电总结gydF4y2Ba	二进制gydF4y2Ba	肥胖的鉴别gydF4y2Ba	个人gydF4y2Ba
Ramyaa等[gydF4y2Ba51gydF4y2Ba), 2019年gydF4y2Ba	问卷调查gydF4y2Ba	表格gydF4y2Ba	能量平衡组件gydF4y2Ba	二值连续gydF4y2Ba	能量储存:体重gydF4y2Ba	个人gydF4y2Ba
Scheinker等[gydF4y2Ba50gydF4y2Ba), 2019年gydF4y2Ba	2018年罗伯特伍德约翰逊基金会县健康排名gydF4y2Ba	表格gydF4y2Ba	人口因素、社会经济因素、卫生保健因素和环境因素gydF4y2Ba	连续gydF4y2Ba	肥胖患病率gydF4y2Ba	县gydF4y2Ba
Shin等[gydF4y2Ba49gydF4y2Ba), 2019年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	上体阻抗和下体人体测量数据gydF4y2Ba	连续gydF4y2Ba	桶形gydF4y2Ba	个人gydF4y2Ba
Stephens等[gydF4y2Ba48gydF4y2Ba), 2019年gydF4y2Ba	来自录音对话gydF4y2Ba	文本gydF4y2Ba	对话gydF4y2Ba	二进制gydF4y2Ba	体重管理程序gydF4y2Ba	个人gydF4y2Ba
Blanes-Selva等[gydF4y2Ba47gydF4y2Ba), 2020年gydF4y2Ba	HULAFE的EHRgydF4y2Ba^hgydF4y2Ba	表格gydF4y2Ba	32个变量gydF4y2Ba	二进制gydF4y2Ba	肥胖的鉴别gydF4y2Ba	个人gydF4y2Ba
Dunstan等[gydF4y2Ba46gydF4y2Ba), 2020年gydF4y2Ba	欧睿数据集gydF4y2Ba	表格gydF4y2Ba	全国销售一小部分食品饮料类gydF4y2Ba	连续gydF4y2Ba	全国肥胖患病率gydF4y2Ba	国家gydF4y2Ba
Fu等[gydF4y2Ba45gydF4y2Ba), 2020年gydF4y2Ba	临床数据gydF4y2Ba	表格gydF4y2Ba	人口统计学特征，产妇人体测量学，围产期临床病史，实验室检查和产后喂养方法gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Kibble等[gydF4y2Ba44gydF4y2Ba), 2020年gydF4y2Ba	临床数据gydF4y2Ba	表格gydF4y2Ba	42个临床变量gydF4y2Ba	二进制gydF4y2Ba	肥胖的机制gydF4y2Ba	个人gydF4y2Ba
Park等[gydF4y2Ba43gydF4y2Ba), 2020年gydF4y2Ba	开放访问数据库gydF4y2Ba	图像gydF4y2Ba	神经影像生物标志物gydF4y2Ba	连续gydF4y2Ba	身体质量指数gydF4y2Ba	个人gydF4y2Ba
Phan等[gydF4y2Ba42gydF4y2Ba), 2020年gydF4y2Ba	客观的测量gydF4y2Ba	图像gydF4y2Ba	周边建成环境特点gydF4y2Ba	二、持续gydF4y2Ba	肥胖gydF4y2Ba	状态gydF4y2Ba
Taghiyev等[gydF4y2Ba41gydF4y2Ba), 2020年gydF4y2Ba	电子健康档案gydF4y2Ba	表格gydF4y2Ba	验血结果gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
肖等[gydF4y2Ba40gydF4y2Ba), 2020年gydF4y2Ba	客观的测量gydF4y2Ba	图像gydF4y2Ba	垂直绿化等级gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Yao等[gydF4y2Ba39gydF4y2Ba), 2020年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	由智能手机内置的运动传感器捕捉的身体运动特征gydF4y2Ba	连续gydF4y2Ba	身体质量指数gydF4y2Ba	个人gydF4y2Ba
Alkutbe等[gydF4y2Ba27gydF4y2Ba), 2021年gydF4y2Ba	自我报告和客观测量gydF4y2Ba	表格gydF4y2Ba	体重，身高，年龄和性别gydF4y2Ba	二值连续gydF4y2Ba	桶形gydF4y2Ba	个人gydF4y2Ba
Bhanu等[gydF4y2Ba38gydF4y2Ba), 2021年gydF4y2Ba	核磁共振成像gydF4y2Ba	图像gydF4y2Ba	坐gydF4y2Ba^我gydF4y2Ba和增值税gydF4y2Ba^jgydF4y2Ba	二进制gydF4y2Ba	腹部脂肪gydF4y2Ba	个人gydF4y2Ba
Cheng等[gydF4y2Ba37gydF4y2Ba), 2021年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	体育活动gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Delnevo等[gydF4y2Ba36gydF4y2Ba), 2021年gydF4y2Ba	问卷调查gydF4y2Ba	表格gydF4y2Ba	积极和消极的心理变量gydF4y2Ba	二值连续gydF4y2Ba	BMI值和BMI状态gydF4y2Ba	个人gydF4y2Ba
Lee等[gydF4y2Ba35gydF4y2Ba), 2021年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	64个自变量:全国多中心超声数据和产妇及分娩信息gydF4y2Ba	连续gydF4y2Ba	身体质量指数gydF4y2Ba	个人gydF4y2Ba
Lin等[gydF4y2Ba34gydF4y2Ba), 2021年gydF4y2Ba	客观的测量gydF4y2Ba	表格gydF4y2Ba	关键临床变量gydF4y2Ba	二进制gydF4y2Ba	肥胖分类标准gydF4y2Ba	个人gydF4y2Ba
Pang等[gydF4y2Ba33gydF4y2Ba), 2021年gydF4y2Ba	来自儿科大数据存储库的EHR数据gydF4y2Ba	表格gydF4y2Ba	人口统计变量和54个临床变量gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Park等[gydF4y2Ba32gydF4y2Ba), 2021年gydF4y2Ba	地理标记推文语料库gydF4y2Ba	文本gydF4y2Ba	微博gydF4y2Ba	二值连续gydF4y2Ba	BMI和肥胖gydF4y2Ba	个人gydF4y2Ba
Rashmi等[gydF4y2Ba31gydF4y2Ba), 2021年gydF4y2Ba	客观的测量gydF4y2Ba	图像gydF4y2Ba	600年热分析图gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Snekhalatha和Sangamithirai [gydF4y2Ba30.gydF4y2Ba), 2021年gydF4y2Ba	客观的测量gydF4y2Ba	图像gydF4y2Ba	热成像gydF4y2Ba	二进制gydF4y2Ba	肥胖的诊断gydF4y2Ba	个人gydF4y2Ba
Thamrin等[gydF4y2Ba29gydF4y2Ba), 2021年gydF4y2Ba	可公开获得的卫生数据gydF4y2Ba	表格gydF4y2Ba	肥胖的危险因素gydF4y2Ba	二进制gydF4y2Ba	肥胖gydF4y2Ba	个人gydF4y2Ba
Zare等[gydF4y2Ba28gydF4y2Ba), 2021年gydF4y2Ba	BMI面板数据集gydF4y2Ba	表格gydF4y2Ba	幼儿园BMIgydF4y2BazgydF4y2Ba分数gydF4y2Ba	二进制gydF4y2Ba	4年级肥胖gydF4y2Ba	个人gydF4y2Ba

^{一个gydF4y2Ba}WHR:腰臀比。gydF4y2Ba

^bgydF4y2BaMRI:磁共振成像。gydF4y2Ba

^cgydF4y2BaWC:腰围。gydF4y2Ba

^dgydF4y2BaHC:臀围。gydF4y2Ba

^egydF4y2BaBFP:体脂百分比。gydF4y2Ba

^fgydF4y2Ba电子健康记录。gydF4y2Ba

^ggydF4y2Ba全国健康和营养检查调查。gydF4y2Ba

^hgydF4y2Ba拉菲政治大学医院。gydF4y2Ba

^我gydF4y2BaSAT:皮下脂肪组织。gydF4y2Ba

^jgydF4y2BaVAT:内脏脂肪组织。gydF4y2Ba

主要发现gydF4y2Ba

表3gydF4y2Ba总结本综述所包括的研究的估计影响和主要发现。有四个主要发现浮出水面。gydF4y2Ba

首先，研究发现ML或DL模型在检测有临床意义的肥胖模式或协变量与体重结果之间的关系方面通常是有效的;例如，ML和DL模型在分类肥胖严重程度方面很有用[gydF4y2Ba30.gydF4y2Ba，gydF4y2Ba47gydF4y2Ba，gydF4y2Ba52gydF4y2Ba]，鉴定人体测量学[gydF4y2Ba34gydF4y2Ba]和肥胖的遗传特征[gydF4y2Ba56gydF4y2Ba]，并预测儿童的肥胖发病[gydF4y2Ba28gydF4y2Ba，gydF4y2Ba53gydF4y2Ba，gydF4y2Ba63gydF4y2Ba]。ML算法(如随机森林[RF]和条件RF)揭示了学校和社区环境与超重和肥胖之间有意义的关系[gydF4y2Ba45gydF4y2Ba，gydF4y2Ba58gydF4y2Ba，gydF4y2Ba62gydF4y2Ba]。深度学习算法(如卷积神经网络[CNN])有效地从卫星图像中提取建筑环境特征，以评估它们与当地肥胖率的关系[gydF4y2Ba57gydF4y2Ba]。gydF4y2Ba

其次，大多数(18/ 22,82%)比较人工智能模型与传统统计方法的研究报告称，人工智能模型对测试数据的预测精度更高，而其他(4/ 22,18%)发现模型性能相似;例如，ML和DL模型被发现比传统的统计方法更能解释县级肥胖患病率的变化[gydF4y2Ba50gydF4y2Ba]。ML模型在处理各种变量类型方面显示出灵活性[gydF4y2Ba36gydF4y2Ba，gydF4y2Ba41gydF4y2Ba]和大型数据集[gydF4y2Ba32gydF4y2Ba]并产生可靠的、可推广的推论[gydF4y2Ba41gydF4y2Ba，gydF4y2Ba54gydF4y2Ba，gydF4y2Ba64gydF4y2Ba，gydF4y2Ba65gydF4y2Ba]，预测精度更高[gydF4y2Ba61gydF4y2Ba，gydF4y2Ba66gydF4y2Ba]。相比之下，Cheng等[gydF4y2Ba37gydF4y2Ba报道ML算法和传统统计方法具有相似的性能。gydF4y2Ba

第三，一些(5/ 46,11 %)比较不同AI模型性能的研究得出了混合结果，反映了模型与数据或任务之间的相互依存关系;例如，据报道，逻辑回归的预测精度高于dt, naïve贝叶斯(NB) [gydF4y2Ba29gydF4y2Ba]和DL [gydF4y2Ba35gydF4y2Ba]。相比之下，Heydari等人[gydF4y2Ba67gydF4y2Ba发现逻辑回归和深度学习模型在解决分类问题上表现得同样好。Zhang等[gydF4y2Ba68gydF4y2Ba]和ergn [gydF4y2Ba70gydF4y2Ba报道数据挖掘和深度学习技术在分类精度上优于逻辑回归。gydF4y2Ba

第四，新的研究越来越多地采用最先进的深度学习模型来解决CV和NLP任务;例如，基于NLP模型的聊天机器人被用于支持儿童肥胖治疗[gydF4y2Ba48gydF4y2Ba]。基于cnn的CV模型使用来自Google街景的图像来构建建筑环境指标[gydF4y2Ba42gydF4y2Ba]。基于dl的工具用于有效地可视化和分析腹部内脏脂肪组织和皮下脂肪组织[gydF4y2Ba38gydF4y2Ba]。gydF4y2Ba

表3。评价中纳入的研究的估计效果和主要发现。gydF4y2Ba

作者,年gydF4y2Ba	人工智能的估计影响gydF4y2Ba^{一个gydF4y2Ba}预防或治疗肥胖的技术gydF4y2Ba	主要发现gydF4y2Ba
阿卜杜勒-阿尔和曼古德[gydF4y2Ba26gydF4y2Ba), 1997年gydF4y2Ba	WHR模型gydF4y2Ba^bgydF4y2Ba作为一个连续变量，在90%的置信限下，预测实际值的错误率为7.5%。gydF4y2Ba ‎gydF4y2Ba 在300个评估案例中，分类模型预测WHR的正确逻辑值只有2个有错误。gydF4y2Ba ‎gydF4y2Ba 从简单分类模型推导出的分析关系解释了对总调查人口的全球观测结果，准确率高达99%。gydF4y2Ba ‎gydF4y2Ba 用分析函数表示的简单连续模型强调全局关系和趋势。gydF4y2Ba ‎gydF4y2Ba 腰宽比与舒张压、胆固醇水平和肥胖家族史有很强的相关性。gydF4y2Ba ‎gydF4y2Ba	与其他统计和神经网络方法相比，AIMgydF4y2Ba^cgydF4y2Ba溯因网络提供了更快、更自动化的模型合成。gydF4y2Ba ‎gydF4y2Ba
Positano等[gydF4y2Ba71gydF4y2Ba), 2008年gydF4y2Ba	简历gydF4y2Ba^dgydF4y2Ba增值税价值gydF4y2Ba^egydF4y2Ba,坐gydF4y2Ba^fgydF4y2Ba，未经图像不均匀性校正的标准算法的VAT/SAT比值分别为10.7%、11.9%和17.3%。相关系数分别为r=0.97、r=0.93、r=0.95gydF4y2BaPgydF4y2Ba<措施)。gydF4y2Ba ‎gydF4y2Ba 对油田非均匀性进行校正后，VAT、SAT和VAT/SAT比值cv分别变为9.8%、6.7%和13.1%。相关系数变为r=0.97，gydF4y2BaPgydF4y2Ba<。增值税001;r = 0.99,gydF4y2BaPgydF4y2Ba<。SAT考试001分;和r = 0.97,gydF4y2BaPgydF4y2Ba<。增值税/增值税比率为001。gydF4y2Ba ‎gydF4y2Ba	人工和非监督分析之间的CV通过SAT评估中的不均匀性校正得到显著改善。对SAT的系统性低估也得到了纠正。在增值税测量中发现了不太关键的性能改进。gydF4y2Ba ‎gydF4y2Ba 信号不均匀性的补偿提高了腹部脂肪无监督评估的有效性。gydF4y2Ba ‎gydF4y2Ba 校正强度失真对SAT评估是必要的，但在VAT测量中不太重要。gydF4y2Ba ‎gydF4y2Ba
水系(gydF4y2Ba70gydF4y2Ba), 2009年gydF4y2Ba	神经网络对肥胖的分类率为90.2%，逻辑回归对肥胖的分类率为87.8%。gydF4y2Ba ‎gydF4y2Ba 在这些分类之后，在肥胖中，BMI比动脉分叉更受影响。gydF4y2Ba ‎gydF4y2Ba	神经网络的分类性能优于逻辑回归。gydF4y2Ba ‎gydF4y2Ba
Yang等[gydF4y2Ba69gydF4y2Ba), 2009年gydF4y2Ba	所实现的方法对文本任务和直观任务的宏观平均f值分别达到81%和63%。微平均f测量显示，文本注释的平均准确率为97%，直观注释的平均准确率为96%。gydF4y2Ba ‎gydF4y2Ba	文本挖掘可以从临床出院摘要中提供准确有效的疾病状态预测。gydF4y2Ba ‎gydF4y2Ba
Zhang等[gydF4y2Ba68gydF4y2Ba), 2009年gydF4y2Ba	在这种情况下，使用神经网络可以略微提高8个月的预测精度，而对于2年的预测，使用贝叶斯方法可以提高>10%。gydF4y2Ba ‎gydF4y2Ba	支持向量机gydF4y2Ba^ggydF4y2Ba贝叶斯算法似乎是预测威勒尔数据库中超重和肥胖的最佳算法。gydF4y2Ba ‎gydF4y2Ba 非线性相互作用的结合在儿童肥胖预测中可能很重要。数据挖掘技术正在变得足够成熟，为医学研究界提供了逻辑回归的有效替代方案。gydF4y2Ba ‎gydF4y2Ba
Heydari等[gydF4y2Ba67gydF4y2Ba), 2012年gydF4y2Ba	逻辑回归和神经网络的正确分类值分别为80.2%和81.2%，敏感性分别为80.2%和79.7%，特异性分别为81.9%和83.7%;受试者工作特征曲线下面积分别为0.888和0.884,kappa统计量分别为0.600和0.629。gydF4y2Ba ‎gydF4y2Ba 腹部厚度，体重，BMI和HCgydF4y2Ba^hgydF4y2Ba与肥胖有显著关系。gydF4y2Ba ‎gydF4y2Ba	神经网络和逻辑回归是很好的肥胖检测分类器，但在分类方面没有显著差异。gydF4y2Ba ‎gydF4y2Ba
Kupusinac等[gydF4y2Ba66gydF4y2Ba), 2014年gydF4y2Ba	人工神经网络的预测精度gydF4y2Ba^我gydF4y2Ba解为80.43%。gydF4y2Ba ‎gydF4y2Ba 人工神经网络的预测准确率在+1.23%到+3.12%之间。gydF4y2Ba ‎gydF4y2Ba	人工神经网络是预测BFP的一种新方法gydF4y2Ba^jgydF4y2Ba具有相同的复杂性和成本，但具有更高的预测准确性。gydF4y2Ba ‎gydF4y2Ba
邵(gydF4y2Ba65gydF4y2Ba), 2014年gydF4y2Ba	虽然实际数据集中涉及13个体围测量值，但所提出的模型可以在较少的体围测量值的情况下提供更好的预测。对大多数人来说，用更少的体长测量来预测BFP要方便得多。gydF4y2Ba ‎gydF4y2Ba	与传统的单阶段方法相比，多元回归、人工神经网络、多元自适应样条回归和支持向量回归等混合模型能够有效地预测BFP。gydF4y2Ba ‎gydF4y2Ba
Chen等[gydF4y2Ba64gydF4y2Ba), 2015年gydF4y2Ba	最重要的相关指标是肌酐、血红蛋白、红细胞压积、尿酸、红细胞、高密度脂蛋白、丙氨酸转氨酶、甘油三酯和γ-谷氨酰转肽酶。gydF4y2Ba ‎gydF4y2Ba	的榆树gydF4y2Ba^kgydF4y2Ba比支持向量机和bp神经网络更有效gydF4y2Ba^lgydF4y2Ba而且识别率更高。gydF4y2Ba ‎gydF4y2Ba 提出的基于elm的超重检测方法在生物医学应用中有望作为一种新的，准确的方法来识别参与者的超重状态。它通过提供出色的预测能力，为传统的超重建模工具提供了一个可行的替代方案。gydF4y2Ba ‎gydF4y2Ba
Dugan等[gydF4y2Ba63gydF4y2Ba), 2015年gydF4y2Ba	的ID3gydF4y2Ba^米gydF4y2Ba在CHICA上训练的模型gydF4y2Ba^ngydF4y2Ba数据集显示出最佳的总体性能，准确率为85%，灵敏度为89%。此外，ID3模型的阳性预测值为84%，阴性预测值为88%。gydF4y2Ba ‎gydF4y2Ba 12个月到24个月之间的超重是两岁以后肥胖的关键风险因素。此外，如果孩子在12个月前没有超重，这是一个更大的风险因素。gydF4y2Ba ‎gydF4y2Ba	来自生产临床决策支持系统的数据可用于构建准确的机器学习gydF4y2Ba^ogydF4y2Ba预测2岁以后儿童肥胖的模型。gydF4y2Ba ‎gydF4y2Ba
Nau等[gydF4y2Ba62gydF4y2Ba), 2015年gydF4y2Ba	在研究了44个社区特征后，研究人员确定了社会、食物和体育活动环境的13个特征，这些特征结合起来，正确地将67%的社区分类为肥胖保护或肥胖的社区，使用平均BMI z评分作为替代。社会环境特征成为最关键的分类因素，并可能影响干预。gydF4y2Ba ‎gydF4y2Ba	CRFgydF4y2Ba^pgydF4y2Ba允许考虑邻里作为一个系统的风险因素。gydF4y2Ba ‎gydF4y2Ba
Almeida等[gydF4y2Ba61gydF4y2Ba), 2016年gydF4y2Ba	所有bp级预测模型在肥胖鉴别方面均具有良好的全球准确性(≥91.3%)。过度肥胖和肥胖以及肥胖预测模型分别显示出良好的敏感性(78.6%和71%)、特异性(98%和99.2%)和阳性或阴性检测结果的可靠性(≥82%和≥96%)。gydF4y2Ba ‎gydF4y2Ba 对于男孩，在预测模型中，根据相对权重，参数的顺序是BMI z分，身高，腰宽比gydF4y2Ba^问gydF4y2Ba平方变量(_Q)，年龄，体重，CCgydF4y2Ba^rgydF4y2Ba_Q和HCgydF4y2Ba^{年代gydF4y2Ba}_Q(调整后的RgydF4y2Ba^2gydF4y2Ba=0.847, RMSEgydF4y2Ba^tgydF4y2Ba= 2.852);女孩则是BMI z分、WHtR_Q、身高、年龄、HC_Q和CC_Q(调整R)gydF4y2Ba^2gydF4y2Ba=0.872, RMSE=2.171)。gydF4y2Ba ‎gydF4y2Ba	BFP可以通过人体测量(不包括皮褶厚度)相对准确地分级和预测。适应度和交叉验证结果表明，多变量回归模型在该人群中的表现优于先前发表的一些模型。gydF4y2Ba ‎gydF4y2Ba
凌仁等[gydF4y2Ba60gydF4y2Ba), 2016年gydF4y2Ba	总体而言，基于规则的算法表现最佳:0.895 (CCHMC)gydF4y2Ba^ugydF4y2Ba)和0.770 (BCHgydF4y2Ba^vgydF4y2Ba）.gydF4y2Ba ‎gydF4y2Ba	基于规则的排除算法优于ML算法。ML的最佳特征集使用统一医学语言系统概念的唯一标识符;《国际疾病分类》第九次修订版代码;和RgydF4y2Ba^xgydF4y2Ba规范代码。gydF4y2Ba ‎gydF4y2Ba
Seyednasrollah等[gydF4y2Ba59gydF4y2Ba), 2017年gydF4y2Ba	BHSw中的复制证实了研究人员的发现，即WGRSx19和WGRS97与BMI有关。WGRS19提高了训练数据预测成人肥胖的准确性(曲线下面积=0.787 vs曲线下面积=0.744;gydF4y2BaPgydF4y2Ba<.001)和验证数据(曲线下面积=0.769 vs曲线下面积=0.747;gydF4y2BaPgydF4y2Ba= 03)。WGRS97提高了训练数据的准确率(曲线下面积=0.782 vs曲线下面积=0.744;gydF4y2BaPgydF4y2Ba<.001)，但在验证数据中没有(曲线下面积=0.749 vs曲线下面积=0.747;gydF4y2BaPgydF4y2Ba= .79)。较高的WGRS19与9岁时较高的BMI和6岁时较高的WGRS97相关。gydF4y2Ba ‎gydF4y2Ba	WGRS19提高了对成年肥胖的预测。该模型有助于筛选有肥胖高风险的儿童。预测准确性在幼儿(3-6岁)中最高，而在较大的儿童(9-18岁)中，可以使用儿童临床因素来识别风险。gydF4y2Ba ‎gydF4y2Ba
Hinojosa等[gydF4y2Ba58gydF4y2Ba), 2018年gydF4y2Ba	暴力犯罪、英语学习者、社会经济劣势、缺乏体育教育和合格教师、多样性指数与肥胖呈正相关。相反，学业表现指数、体育参与、平均受教育程度和人均收入与肥胖呈负相关。排名最高的建筑或物理环境变量是离最近的高速公路和绿地的距离，分别排在第10位和第11位。gydF4y2Ba ‎gydF4y2Ba	RFy算法有效地识别了学校环境属性的相对重要性。gydF4y2Ba ‎gydF4y2Ba
Maharana和Nsoesie [gydF4y2Ba57gydF4y2Ba), 2018年gydF4y2Ba	在美国所有人口普查区中，建筑环境的特征解释了64.8% (RMSE=4.3)的肥胖患病率差异。单独来看，西雅图、华盛顿州(213个人口普查区)的差异为55.8% (RMSE=3.2);加州洛杉矶(993个人口普查区)为56.1% (RMSE=4.2);田纳西州孟菲斯市(178个人口普查区)为73.3% (RMSE=4.5);德克萨斯州圣安东尼奥(311个人口普查区)占61.5% (RMSE=3.5)。gydF4y2Ba ‎gydF4y2Ba	美国有线电视新闻网gydF4y2Ba^zgydF4y2Ba可用于从卫星图像中自动提取建筑环境的特征，用于研究健康指标。了解建筑环境的特定特征与肥胖患病率之间的关系可以导致结构变化，从而鼓励体育活动并降低肥胖患病率。gydF4y2Ba ‎gydF4y2Ba
Wang等[gydF4y2Ba56gydF4y2Ba), 2018年gydF4y2Ba	基于相同的训练特征，SVM模型显著优于其他分类器。SVM模型准确率为70.77%，灵敏度为80.09%，特异度为63.02%。gydF4y2Ba ‎gydF4y2Ba 选择的snpgydF4y2Ba^aagydF4y2Ba在检测肥胖风险方面是有效的。gydF4y2Ba ‎gydF4y2Ba	基于ml的方法为肥胖症遗传特征的初步分析提供了一种可行的手段。gydF4y2Ba ‎gydF4y2Ba
Duran等[gydF4y2Ba55gydF4y2Ba), 2018年gydF4y2Ba	在女性受试者中，BMI、WC的敏感性gydF4y2Ba^bbgydF4y2Ba，而人工神经网络方法预测体脂过剩的概率分别为0.751 (95% CI 0.730‐0.771)、0.523 (95% CI 0.487‐0.559)和0.782 (95% CI 0.754‐0.810)。gydF4y2Ba ‎gydF4y2Ba 在男性受试者中，BMI、WC和ANN方法预测体脂过剩的敏感性分别为0.721 (95% CI 0.699‐0.743)、0.572 (95% CI 0.549‐0.594)和0.795 (95% CI 0.768‐0.821)。gydF4y2Ba ‎gydF4y2Ba	当使用人工神经网络方法时，男性参与者在识别多余体脂方面的诊断性能优于使用BMI和WC z评分时。gydF4y2Ba ‎gydF4y2Ba 在女性参与者中，ANN和BMI z得分分别比WC z得分表现相当且显著更好。gydF4y2Ba ‎gydF4y2Ba
Gerl等人[gydF4y2Ba54gydF4y2Ba), 2019年gydF4y2Ba	脂质组，基于LASSOgydF4y2Ba^ccgydF4y2Ba模型预测BFP最优(RgydF4y2Ba^2gydF4y2Ba= 0.73)。在该模型中，最强的阳性预测因子和最强的阴性预测因子是鞘磷脂分子，它们仅相差1个双键，这意味着一种未知的去饱和酶参与了肥胖相关的脂质代谢异常。gydF4y2Ba ‎gydF4y2Ba 运用回归法探查血浆脂质组的临床相关信息，发现血浆脂质组还包含体脂分布信息，因为WHR (R)gydF4y2Ba^2gydF4y2Ba=0.65)比BMI (RgydF4y2Ba^2gydF4y2Ba= 0.47)。gydF4y2Ba ‎gydF4y2Ba	ML可以比经典的临床参数(如总甘油三酯和胆固醇)更好地建模和验证肥胖估计。gydF4y2Ba ‎gydF4y2Ba
Hammond等[gydF4y2Ba53gydF4y2Ba), 2019年gydF4y2Ba	LASSO回归预测肥胖的受试者工作特征曲线下面积女生为81.7%，男生为76.1%。gydF4y2Ba ‎gydF4y2Ba 在男孩和女孩的每个独立模型中，研究人员发现，体重与身高的z分数、19个月至24个月之间的BMI以及2岁之前记录的最后一次BMI测量值是预测的最重要特征。gydF4y2Ba ‎gydF4y2Ba	与基于队列的研究相比，电子病历gydF4y2Ba^ddgydF4y2Ba具有受试者工作特征曲线值下面积的数据可用于预测5岁时的肥胖，减少了额外数据收集的投资。gydF4y2Ba ‎gydF4y2Ba
Hong等[gydF4y2Ba52gydF4y2Ba), 2019年gydF4y2Ba	4 ML分类器的结果表明，RF算法在直观分类(反映医疗专业人员的判断)和文本分类(反映基于明确报告的疾病信息的决策)方面表现最好，分别为微观f1得分0.9466和宏观f1得分0.7887和微观f1得分0.9536和宏观f1得分0.6524。gydF4y2Ba ‎gydF4y2Ba 的模拟gydF4y2Ba^eegydF4y2Ba-III肥胖数据集成功集成预测与最小配置的NLPgydF4y2Ba^ffgydF4y2Ba2 fhirgydF4y2Ba^gggydF4y2Ba管道和ML模型。gydF4y2Ba ‎gydF4y2Ba	基于fhr的EHR表型方法可以通过半结构化的出院总结有效地识别肥胖状态和多种合并症。gydF4y2Ba ‎gydF4y2Ba
Ramyaa等[gydF4y2Ba51gydF4y2Ba), 2019年gydF4y2Ba	支持向量机、神经网络和KNNgydF4y2Ba^hhgydF4y2Ba算法对数值预测表现一般，平均近似误差分别为6.70 kg, 6.98 kg和6.90 kg。gydF4y2Ba ‎gydF4y2Ba K-means聚类分析改进了使用数值数据的预测，并确定了10个提示表型的聚类，最小平均近似误差约为1.1 kg。使用分类器将参与者表型划分到已识别的集群中，15%的测试集(大约，n=2000)的平均近似误差<5 kg。SVM的准确率最高(54.5%)，其次是袋装树集成算法和KNN算法。gydF4y2Ba ‎gydF4y2Ba	支持向量机回归是最适合这项任务的预测和推理工具，紧随其后的是神经网络和KNN算法。虽然整体数据模型显示出良好的拟合和预测能力，但聚类产生的拟合统计量相对更好。gydF4y2Ba ‎gydF4y2Ba
Scheinker等[gydF4y2Ba50gydF4y2Ba), 2019年gydF4y2Ba	考虑所有县级人口、社会经济、卫生保健和环境因素的肥胖患病率的多元线性回归和梯度增强机器回归(表现最好的ML模型)具有RgydF4y2Ba^2gydF4y2Ba值分别为0.58和0.66 (gydF4y2BaPgydF4y2Ba<措施)。gydF4y2Ba ‎gydF4y2Ba	与传统的流行病学模型相比，ML可以用来解释更多的县级肥胖患病率差异。表现最好的ML模型解释了三分之二的县级肥胖患病率变化，显著超过传统的多元线性模型。gydF4y2Ba ‎gydF4y2Ba
Shin等[gydF4y2Ba49gydF4y2Ba), 2019年gydF4y2Ba	将该系统的性能与两种商业系统的性能进行了比较，这两种商业系统设计用于使用全身或上半身阻抗值来测量身体成分。结果表明，相关系数(RgydF4y2Ba^2gydF4y2Ba)值提高了大约9%，估计的SE降低了28%。gydF4y2Ba ‎gydF4y2Ba	测试结果证实，人体测量数据的包含有助于提高准确性，主要是在DL时gydF4y2Ba^2gydF4y2Ba方法对回归值进行预测。gydF4y2Ba ‎gydF4y2Ba
Stephens等[gydF4y2Ba48gydF4y2Ba), 2019年gydF4y2Ba	青少年患者报告说，在81%的时间里，他们在实现目标方面取得了积极进展。交换的4123条信息和患者报告的有用性评级(96%的时间)表明，青少年与聊天机器人互动，并认为它很有帮助。gydF4y2Ba ‎gydF4y2Ba	人工智能聊天机器人作为辅助治疗是可行的。通过人工智能支持的可行性和益处，特别是在儿科环境中，可以扩展到为更大的患者群体服务。gydF4y2Ba ‎gydF4y2Ba
Blanes-Selva等[gydF4y2Ba47gydF4y2Ba), 2020年gydF4y2Ba	的聚氨酯gydF4y2Ba^jjgydF4y2Ba学习算法具有很高的灵敏度(98%)，并预测约18%的未确诊患者为肥胖。gydF4y2Ba ‎gydF4y2Ba	在确定肥胖问题方面实施PU学习方法产生了令人满意的结果，提供了高灵敏度，并与世界卫生组织的肥胖报告相一致。gydF4y2Ba ‎gydF4y2Ba
Dunstan等[gydF4y2Ba46gydF4y2Ba), 2020年gydF4y2Ba	仅使用5个类别，RF预测肥胖患病率的绝对误差小于10%的国家约为60%，绝对误差小于20%的国家为87%。gydF4y2Ba ‎gydF4y2Ba 与预测肥胖最相关的食物类别包括烘焙食品和面粉，其次是奶酪和碳酸饮料。gydF4y2Ba ‎gydF4y2Ba	RF在预测食物导致肥胖方面表现最好，其次是XGBgydF4y2Ba^乐gydF4y2Ba．gydF4y2Ba ‎gydF4y2Ba
Fu等[gydF4y2Ba45gydF4y2Ba), 2020年gydF4y2Ba	从ML算法中确定了两个最重要的特征-婴儿BMI z评分变化轨迹和入组时母亲BMI。gydF4y2Ba ‎gydF4y2Ba 上述特征与所有特征相比具有相似的预测能力(曲线下面积=0.68 vs 0.68;gydF4y2BaPgydF4y2Ba=点;德龙测试)。敏感性分析确定了相同的2个特征(即入组时婴儿BMI z评分变化轨迹和母亲BMI)，且这些特征的Shapley加性解释值排序不变。gydF4y2Ba ‎gydF4y2Ba 在独立测试队列中，使用上述2个特征进行儿童超重和肥胖分类的曲线下面积为0.71 (95% CI 0.66 ~ 0.76)，与基于所有特征进行分类的曲线下面积(0.72,95% CI 0.67 ~ 0.76)相当。gydF4y2Ba ‎gydF4y2Ba	基于一项大型纵向研究，应用ML算法识别导致儿童超重或肥胖的风险因素，并在没有任何假设的情况下解决所有收集到的特征和结果之间的关系。gydF4y2Ba ‎gydF4y2Ba 一个新的统一框架，沙普利加性解释，被用来解释预测，并确定的预测因素是稳健的。gydF4y2Ba ‎gydF4y2Ba
Kibble等[gydF4y2Ba44gydF4y2Ba), 2020年gydF4y2Ba	细胞因子和体重增加之间新的潜在联系，以及饮食、炎症和表观遗传因素之间的联系。gydF4y2Ba ‎gydF4y2Ba	一种称为群体因素分析的综合ML方法被用于确定多分子水平相互作用与肥胖发展之间的联系。gydF4y2Ba ‎gydF4y2Ba
Park等[gydF4y2Ba43gydF4y2Ba), 2020年gydF4y2Ba	实际和预测的ΔBMI显示出显著的类内相关值，RMSE较低，BMI增高和未增高的人群之间的分类导致仅使用基线访问时获得的度中心性值，受试者工作特征曲线值下的面积很大。gydF4y2Ba ‎gydF4y2Ba	利用所选区域的功能连通性构建的模型为预测BMI进展提供了强大的神经成像生物标志物。gydF4y2Ba ‎gydF4y2Ba
Phan等[gydF4y2Ba42gydF4y2Ba), 2020年gydF4y2Ba	一个款gydF4y2Ba^噢gydF4y2Ba用于邻域指标识别，对单独的识别任务具有较高的准确率(85%-93%)。gydF4y2Ba ‎gydF4y2Ba	使用DL技术创建邻里建成环境特征指标。gydF4y2Ba ‎gydF4y2Ba
Taghiyev [gydF4y2Ba41gydF4y2Ba), 2020年gydF4y2Ba	该混合系统的准确率为91.4%，高于其他分类器的准确率(即比逻辑回归的准确率高4.6%，比DT的准确率高2.3%)gydF4y2Ba^{毫米gydF4y2Ba}）.gydF4y2Ba ‎gydF4y2Ba	提出的混合系统为肥胖患者提供了更准确的分类和估计肥胖影响因素的实用方法。gydF4y2Ba ‎gydF4y2Ba
肖等[gydF4y2Ba40gydF4y2Ba), 2020年gydF4y2Ba	水平绿化、垂直绿化和接近绿化水平的各个方面都会影响体重;然而，只有VGIgydF4y2Ba^{神经网络gydF4y2Ba}一直对体重和肥胖有不利影响。gydF4y2Ba ‎gydF4y2Ba	使用百度街景图像的DL方法的VGI可以有效地捕获高密度人口区域的眼平绿化率。因此，VGI可以有效地促进步行和其他体育活动，以预防肥胖。gydF4y2Ba ‎gydF4y2Ba
Yao等[gydF4y2Ba39gydF4y2Ba), 2020年gydF4y2Ba	慢跑可能是比走路和爬楼梯更适合预测BMI的日常生活活动。gydF4y2Ba ‎gydF4y2Ba	采用基于运动熵的滤波策略的深度学习模型明显优于基线方法。gydF4y2Ba ‎gydF4y2Ba
Alkutbe等[gydF4y2Ba27gydF4y2Ba), 2021年gydF4y2Ba	对于梯度提升模型，预测的脂肪百分比值比回归模型更接近实际值。梯度提升比回归方程获得了更好的性能，因为它将多个简单模型组合成一个复合模型，以利用这种弱分类器。gydF4y2Ba ‎gydF4y2Ba 建立的预测模型记录了女孩的RMSE值为3.12，男孩为2.48。gydF4y2Ba ‎gydF4y2Ba	ML模型和新开发的百分位图可能是估计和分类BFP的有价值的工具。gydF4y2Ba ‎gydF4y2Ba
Bhanu等[gydF4y2Ba38gydF4y2Ba), 2021年gydF4y2Ba	分割精度为浅层SAT: 0.92，深层SAT: 0.88, VAT: 0.9。平均Hausdorf距离<5 mm。自动分割显著相关RgydF4y2Ba^2gydF4y2Ba> 0.99 (gydF4y2BaPgydF4y2Ba<.001)，所有3脂肪舱的基本事实。Bland-Altman分析预测体积在1.96 SD内。gydF4y2Ba ‎gydF4y2Ba	基于dl的综合浅表SAT、深层SAT和VAT分析工具具有较高的准确性和重复性，并在<10秒内提供全面的脂肪室成分分析和可视化。gydF4y2Ba ‎gydF4y2Ba
Cheng等[gydF4y2Ba37gydF4y2Ba), 2021年gydF4y2Ba	体育活动是预测体重状况的重要因素，性别、年龄和种族或民族是与体重结果相关的次要因素。gydF4y2Ba ‎gydF4y2Ba 1周的高强度活动和1周的中等强度活动的持续时间是基本属性。gydF4y2Ba ‎gydF4y2Ba	通过对所有方法的身体活动和基本人口统计信息的分析，随机子空间分类器算法获得了最高的总体精度和接收者工作特征曲线值下的面积。gydF4y2Ba ‎gydF4y2Ba 一般来说，大多数算法表现出相似的性能。gydF4y2Ba ‎gydF4y2Ba 在所有方法中，Logistic回归的总体准确度、灵敏度、特异度和受试者工作特征曲线值下面积均居中游。gydF4y2Ba ‎gydF4y2Ba
Delnevo等[gydF4y2Ba36gydF4y2Ba), 2021年gydF4y2Ba	使用心理变量可以预测BMI值(平均绝对误差为5.27-5.50)和BMI状态，准确度>80%(指标:F1-score)。gydF4y2Ba ‎gydF4y2Ba	某些心理变量，如抑郁症，可以高度预测BMI。gydF4y2Ba ‎gydF4y2Ba 机器学习与传统统计学相比有几个优势，可以用来比较许多变量对预测所选结果的影响，并且可以处理各种类型的变量。gydF4y2Ba ‎gydF4y2Ba
Lee等[gydF4y2Ba35gydF4y2Ba), 2021年gydF4y2Ba	对于新生儿BMI的预测，线性回归(2.0744)和RF(2.1610)的均方误差优于1、2、3个隐层的ANN(分别为150.7100、154.7198、152.5843)。gydF4y2Ba ‎gydF4y2Ba 基于RF的可变重要性，新生儿BMI的主要预测因子是第36周及以后的第一腹围值和估计胎儿体重，分娩时的胎龄，第21周至第35周的第一腹围值，分娩时的母亲BMI，分娩时的母亲体重，以及第36周及以后的第一双顶叶直径值。gydF4y2Ba ‎gydF4y2Ba	基于超声测量的ML方法将是预测新生儿BMI的一种有用的非侵入性工具。gydF4y2Ba ‎gydF4y2Ba 线性回归和RF模型在预测新生儿BMI方面优于人工神经网络模型。gydF4y2Ba ‎gydF4y2Ba
Lin等[gydF4y2Ba34gydF4y2Ba), 2021年gydF4y2Ba	在每个队列中，ML显示了以下4个稳定的代谢不同的肥胖集群:gydF4y2Ba ‎gydF4y2Ba 代谢健康型肥胖(44%的患者)的特点是代谢状态相对健康，合并症发生率最低。gydF4y2Ba ‎gydF4y2Ba 高代谢肥胖-高尿酸血症(33%的患者)以极高尿酸和高尿酸血症发生率增加为特征(与代谢健康型肥胖校正比值比为73.67,95% CI为35.46-153.06)。gydF4y2Ba ‎gydF4y2Ba 高代谢性肥胖-高胰岛素血症(8%的患者)以胰岛素分泌过度代偿和多囊卵巢综合征发生率增加为特征(与代谢性健康肥胖校正比值比为14.44,95% CI为1.75-118.99)。gydF4y2Ba ‎gydF4y2Ba 低代谢性肥胖(15%的患者)的特征是血糖水平极高，胰岛素分泌失代偿，糖脂代谢最差(糖尿病:与代谢健康型肥胖的校正比值比为105.85,95% CI为42.00-266.74;代谢综合征:与代谢健康型肥胖的校正比值比为13.50,95% CI为7.34-24.83)。gydF4y2Ba ‎gydF4y2Ba 将验证队列中的患者分配到主模型中，所有聚类的平均准确率为0.941。gydF4y2Ba ‎gydF4y2Ba	在4个独立的患者队列中，ML自动识别出4种肥胖亚型的临床特征。这项概念验证性研究提供了证据，表明对肥胖的精确诊断可以潜在地指导针对不同亚型肥胖的治疗计划和决策。gydF4y2Ba ‎gydF4y2Ba
Pang等[gydF4y2Ba33gydF4y2Ba), 2021年gydF4y2Ba	XGB的曲线下平均面积为0.81 (SD 0.001)，优于其他所有模型。在标准分类器指标(灵敏度固定在80%)上，它也取得了统计学上显著优于所有其他模型的性能:精度，平均值30.9% (SD 0.22%);f1评分，平均44.6% (SD 0.26%);准确度，平均值66.14% (SD 0.41%);特异性平均63.27% (SD 0.41%)。gydF4y2Ba ‎gydF4y2Ba	所提出的ML模型开发工作流程可适用于各种基于ehr的研究，并对开发其他临床预测模型有价值。gydF4y2Ba ‎gydF4y2Ba
Park等[gydF4y2Ba32gydF4y2Ba), 2021年gydF4y2Ba	机器学习算法被用来确定推特上关于“黑人的命也是命”的立场。ML模型表现出比基于词典的情感分析更好的性能(准确率:61%)。的注gydF4y2Ba^{面向对象gydF4y2Ba}模型的总体准确率为85%，略高于CNN模型的83.8%;两者都比其他模型具有更高的准确性。gydF4y2Ba ‎gydF4y2Ba 然而，NB在预测反姿态方面具有最高的召回率和f1分，而CNN在识别反姿态方面表现不佳。gydF4y2Ba ‎gydF4y2Ba	该研究证明了机器学习技术在处理大型数据集方面的优势。社会科学家可以使用机器学习技术来扩展传统的内容分析。gydF4y2Ba ‎gydF4y2Ba
Rashmi等[gydF4y2Ba31gydF4y2Ba), 2021年gydF4y2Ba	的主成分分析gydF4y2Ba^页gydF4y2BaSVM的分类准确率最高(98%)，其次是NB和RF(97%)。gydF4y2Ba ‎gydF4y2Ba	区域热像仪和ML分类器的计算机辅助诊断工具可作为评估儿童肥胖的主要无创预后工具。gydF4y2Ba ‎gydF4y2Ba
Snekhalatha和Sangamithirai [gydF4y2Ba30.gydF4y2Ba), 2021年gydF4y2Ba	在研究感兴趣的区域中，与其他区域相比，腹部区域在正常参与者和肥胖参与者之间表现出4.703%的高温差异。所提出的自定义网络-2的总体精度为92%，曲线下面积为0.948。相比之下，预训练模型VGG16在区分肥胖和正常热图方面的准确率为79%，曲线下面积为0.90。gydF4y2Ba ‎gydF4y2Ba	基于自定义CNN的DL系统提供了可靠的分类性能来识别测试参与者中肥胖的发生。gydF4y2Ba ‎gydF4y2Ba 自定义CNN网络-2在从热图像中分类正常参与者和肥胖参与者方面提供了值得称赞的准确性。gydF4y2Ba ‎gydF4y2Ba 训练后的custom-2 CNN模型可用于计算机辅助筛选测试参与者进行肥胖检测。gydF4y2Ba ‎gydF4y2Ba
Thamrin等[gydF4y2Ba29gydF4y2Ba), 2021年gydF4y2Ba	居住地、婚姻状况、年龄、教育程度、甜饮料、脂肪或油性食品、烧烤食品、腌制食品、调味粉、软饮料或碳酸饮料、酒精饮料、精神或情绪障碍、诊断出的高血压、体育活动、吸烟和水果和蔬菜消费对预测成年人的肥胖状况具有重要意义。gydF4y2Ba ‎gydF4y2Ba 在准确度指标(72%)、特异性(71%)、精密度(69%)、kappa(44%)和f β评分(70%)的基础上，采用logistic回归方法进行分类预测的效果最好。分类回归树法分类预测灵敏度最高(82%)，f1评分最高(72%)。gydF4y2Ba ‎gydF4y2Ba 在10倍交叉验证的各分类方法的受试者工作特征曲线下面积表现方面，逻辑回归分类器的受试者工作特征曲线下平均面积最高(0.798)。gydF4y2Ba ‎gydF4y2Ba	逻辑回归比分类回归树和NB方法具有更好的性能。gydF4y2Ba ‎gydF4y2Ba Kappa系数显示预测肥胖和测量肥胖之间只有适度的一致性。gydF4y2Ba ‎gydF4y2Ba 构建的肥胖分类模型可以使用ML方法评估和预测印度尼西亚人口的肥胖风险，然后可以将其应用于公开可用的开放数据。gydF4y2Ba ‎gydF4y2Ba
Zare等[gydF4y2Ba28gydF4y2Ba), 2021年gydF4y2Ba	幼儿园BMI z分数是四年级肥胖最重要的预测指标。gydF4y2Ba ‎gydF4y2Ba 在模型中加入幼儿园学生的BMI z分数，显著提高了预测的准确性。gydF4y2Ba ‎gydF4y2Ba 逻辑回归、RF和神经网络算法在准确性、灵敏度、特异性和曲线值下面积方面表现相似。曲线下区域周围95%的ci在这3种算法中重叠。gydF4y2Ba ‎gydF4y2Ba DT显示较低的性能，曲线值下的面积在统计上低于其他每种算法的曲线值下的面积。然而，DT算法的性能与其他算法接近。gydF4y2Ba ‎gydF4y2Ba	来自美国阿肯色州BMI筛查项目的数据显著提高了识别肥胖高风险儿童的能力，从而使更好的预测可以转化为更有效的政策和更好的健康结果。gydF4y2Ba ‎gydF4y2Ba 通过ML算法和对这些数据的逻辑回归，预测4级肥胖的能力是稳健的。gydF4y2Ba ‎gydF4y2Ba

^{一个gydF4y2Ba}AI:人工智能。gydF4y2Ba

^bgydF4y2BaWHR:腰臀比。gydF4y2Ba

^cgydF4y2Ba目的:外展诱导机制。gydF4y2Ba

^dgydF4y2BaCV:变异系数。gydF4y2Ba

^egydF4y2BaVAT:内脏脂肪组织。gydF4y2Ba

^fgydF4y2BaSAT:皮下脂肪组织。gydF4y2Ba

^ggydF4y2BaSVM:支持向量机。gydF4y2Ba

^hgydF4y2BaHC:臀围。gydF4y2Ba

^我gydF4y2Ba人工神经网络。gydF4y2Ba

^jgydF4y2BaBFP:体脂百分比。gydF4y2Ba

^kgydF4y2BaELM:极限学习机。gydF4y2Ba

^lgydF4y2BaBPNN:反向传播神经网络。gydF4y2Ba

^米gydF4y2BaID3:迭代二分器gydF4y2Ba

^ngydF4y2Ba中国:通过计算机自动化改善儿童健康。gydF4y2Ba

^ogydF4y2BaML:机器学习。gydF4y2Ba

^pgydF4y2BaCRF:条件随机森林。gydF4y2Ba

^问gydF4y2BaWHtR:腰高比。gydF4y2Ba

^rgydF4y2BaCC:小腿围。gydF4y2Ba

^{年代gydF4y2Ba}HC:臀围。gydF4y2Ba

^tgydF4y2BaRMSE:均方根误差。gydF4y2Ba

^ugydF4y2Ba辛辛那提儿童医院和医疗中心。gydF4y2Ba

^vgydF4y2Ba波士顿儿童医院。gydF4y2Ba

^wgydF4y2BaBogalusa心脏研究。gydF4y2Ba

^xgydF4y2Ba加权遗传风险评分。gydF4y2Ba

^ygydF4y2Ba随机森林。gydF4y2Ba

^zgydF4y2BaCNN:卷积神经网络。gydF4y2Ba

^aagydF4y2BaSNP:单核苷酸多态性。gydF4y2Ba

^bbgydF4y2BaWC:腰围。gydF4y2Ba

^ccgydF4y2Ba拉索:最小绝对收缩和选择操作符。gydF4y2Ba

^ddgydF4y2Ba电子健康记录。gydF4y2Ba

^eegydF4y2BaMIMIC:重症监护中的多参数智能监测。gydF4y2Ba

^ffgydF4y2BaNLP:自然语言处理。gydF4y2Ba

^gggydF4y2BaFHIR:快速医疗互操作性资源。gydF4y2Ba

^hhgydF4y2Bak近邻。gydF4y2Ba

^2gydF4y2BaDL:深度学习。gydF4y2Ba

^jjgydF4y2BaPU:阳性，未标记。gydF4y2Ba

^乐gydF4y2BaXGB:极端梯度增强。gydF4y2Ba

^噢gydF4y2BaDNN:深度神经网络。gydF4y2Ba

^{毫米gydF4y2Ba}DT:决策树。gydF4y2Ba

^{神经网络gydF4y2Ba}VGI:可见绿色指数。gydF4y2Ba

^{面向对象gydF4y2Ba}注意:naïve贝叶斯。gydF4y2Ba

^页gydF4y2Ba主成分分析。gydF4y2Ba

方法回顾gydF4y2Ba

人工智能概述gydF4y2Ba

人工智能象征着将通常由人类执行的智力任务自动化的努力[gydF4y2Ba72gydF4y2Ba]。一般来说，人工智能包括两个领域或发展阶段:符号人工智能和现代人工智能[gydF4y2Ba73gydF4y2Ba]。符号人工智能在20世纪50年代到80年代盛行，其特点是通过让程序员手工制作一套足够大的明确规则来操纵知识，从而努力达到人类水平的智能[gydF4y2Ba74gydF4y2Ba]。尽管符号人工智能被证明适合解决定义良好的逻辑问题，如基于规则的问答系统，但在创建规则来解决更复杂、模糊的问题(如图像分类、语音识别和语言翻译)时，它变得棘手[gydF4y2Ba74gydF4y2Ba]。机器学习的定义是“一个研究领域，它赋予计算机无需明确编程就能学习的能力”[gydF4y2Ba75gydF4y2Ba]。研究人员没有对符号人工智能中的所有规则进行硬编码，而是提供示例(例如，带有识别其中对象的标签的图像)gydF4y2Ba火车gydF4y2Ba现代机器学习模型输出规则[gydF4y2Ba74gydF4y2Ba]。作为机器学习的一个子领域，深度学习基于人工神经网络，其中多个(gydF4y2Ba深的gydF4y2Ba)层人工神经元用于逐步从数据中提取更高级的特征[gydF4y2Ba76gydF4y2Ba]。与传统的ML(有时称为ML)相比，这种分层表示支持更复杂的动态模式建模gydF4y2Ba肤浅的学习gydF4y2Ba与深度学习(DL)相反，后者在分析中发挥了作用gydF4y2Ba大数据gydF4y2Ba:海量数据gydF4y2Ba混乱的gydF4y2Ba处理处理(如无结构的文本和图像)[gydF4y2Ba77gydF4y2Ba]。第一个ML和DL算法是在20世纪50年代开发的，最初引起了人们的兴奋，但随后沉寂了几十年[gydF4y2Ba72gydF4y2Ba]。自20世纪80年代末以来，部分由于反向传播算法的重新发现，cnn的发明以及计算能力的强劲增长，ML和DL重新受到欢迎，参见-à-vis符号AI [gydF4y2Ba72gydF4y2Ba]。gydF4y2Ba

人工智能与传统统计方法的对比gydF4y2Ba

诚然，传统统计方法的概念充其量是可疑的，因为统计理论和算法的发展在时间上是连续的，并且在各个层面上相互交织[gydF4y2Ba78gydF4y2Ba]。事实上,许多gydF4y2Ba传统的gydF4y2Ba模型属于机器学习领域，如线性和逻辑回归。尽管领域定义不清，算法重叠，但现代人工智能(即ML和DL)与其他统计方法之间至少有两点区别。就目标而言，人工智能模型及其评估指标的主要目标是预测精度(通常会因模型变得复杂而牺牲可解释性)[gydF4y2Ba78gydF4y2Ba，gydF4y2Ba79gydF4y2Ba]。相比之下，传统的统计方法通常试图揭示变量之间的关系(gydF4y2Ba统计推断gydF4y2Ba)，并注重模型的可解释性[gydF4y2Ba80gydF4y2Ba]。在程序方面，标准做法是将数据分为训练集、验证集和测试集，以便AI模型可以使用训练集进行训练，目的是在验证集上进行测试时，在某些预定义的评估指标(例如，准确性和均方误差)上实现最佳性能[gydF4y2Ba81gydF4y2Ba，gydF4y2Ba82gydF4y2Ba]。微调后的人工智能模型随后在测试集上进行测试。验证集的效用是防止模型过拟合(即，过于适合训练集，而失去对新的，看不见的数据的泛化性)和微调超参数(即，模型外部的参数，其值不能从数据中自动学习)。保留测试集以测试最终模型在未见数据上的性能。相比之下，传统的统计方法通常不使用训练集、验证集和测试集来拟合和评估模型，而是使用其他模型选择标准(例如，调整后的r平方和赤池和贝叶斯信息标准)来评估模型性能[gydF4y2Ba83gydF4y2Ba]。gydF4y2Ba

毫升子类gydF4y2Ba

概述gydF4y2Ba

机器学习分为两类:无监督机器学习和监督机器学习[gydF4y2Ba84gydF4y2Ba]。无监督ML分析和聚类未标记的数据集，发现隐藏的模式或数据分组，而无需人工干预[gydF4y2Ba85gydF4y2Ba]。它能够揭示信息的相似性和差异性，这使它成为探索性数据分析的理想选择。无监督ML模型主要用于3个任务:聚类、关联和降维[gydF4y2Ba86gydF4y2Ba]。聚类算法(如k-means聚类、分层聚类和高斯混合聚类)基于相似性对未标记数据进行分组[gydF4y2Ba86gydF4y2Ba]。关联算法(如Apriori、Eclat和FP-Growth)识别大型数据库中变量之间的规则和关系[gydF4y2Ba87gydF4y2Ba]。降维算法(如主成分分析[PCA]、奇异值分解和多维尺度)在数据预处理过程中处理过多的特征，将它们减少到可管理的大小，同时尽可能地保持数据集的完整性。gydF4y2Ba88gydF4y2Ba]。监督式机器学习使用由输入输出对组成的训练集，使算法能够学习一个随时间将输入映射到输出的函数[gydF4y2Ba89gydF4y2Ba]。该算法通过损失函数测量其精度，并进行调整，直到误差足够小。有监督机器学习和无监督机器学习之间的关键区别在于，前者需要标记数据(即输入-输出对)，而后者只需要输入(即未标记数据)[gydF4y2Ba84gydF4y2Ba]。有监督机器学习模型主要用于两个任务:分类和回归[gydF4y2Ba84gydF4y2Ba]。分类算法将数据分配到特定的类别(例如，肥胖或非肥胖)。回归算法学习输入特征与连续分布结果之间的关系，通常用于预测(例如，5年内的BMI)。gydF4y2Ba

无监督毫升gydF4y2Ba

k - means聚类gydF4y2Ba

K-means聚类是一种迭代算法，它试图将数据集划分为总数gydF4y2BakgydF4y2Ba不重叠的群组(即群组)[gydF4y2Ba86gydF4y2Ba，gydF4y2Ba90gydF4y2Ba]。每个数据点只属于一个组。该算法试图使集群内的数据点尽可能相似，同时保持集群之间的分离。特别是，它将数据点分配给集群，使数据点与集群质心之间的平方距离之和(即属于该集群的所有数据点的算术平均值)最小。作为集群的数量gydF4y2BakgydF4y2Ba在算法实施前需要确定，通常采用轮廓系数来确定最优gydF4y2BakgydF4y2Ba价值。Lin等[gydF4y2Ba34gydF4y2Ba]采用k-means聚类方法，根据葡萄糖、胰岛素、尿酸等3项生物标志物将肥胖患者分为4组。gydF4y2Ba

模糊c均值聚类gydF4y2Ba

在非模糊聚类(也称为硬聚类)中;例如k-means聚类)，将数据分成不同的簇，每个数据点只能属于一个簇[gydF4y2Ba86gydF4y2Ba]。在模糊聚类中，数据点可能属于多个聚类[gydF4y2Ba91gydF4y2Ba]。模糊c均值聚类将每个数据点在每个聚类中心的隶属度从0%分配到100% [gydF4y2Ba92gydF4y2Ba]。模糊划分系数通常用于确定聚类的最优数量，其取值范围为0(最差)到1(最佳)[gydF4y2Ba93gydF4y2Ba]。Positano等[gydF4y2Ba71gydF4y2Ba]使用模糊c均值算法对MRI像素进行聚类，以评估腹部脂肪。gydF4y2Ba

群体因子分析gydF4y2Ba

因子分析描述了数据集各个变量之间的关系[gydF4y2Ba94gydF4y2Ba]。群因子分析(GFA)将这一经典公式扩展到描述变量组之间的关系，其中每个组代表一组相关变量或一个数据集[gydF4y2Ba95gydF4y2Ba]。GFA通常被表述为包含2个层次的潜变量模型:较高层次的模型是群体之间的关系，较低层次的模型是给定较高层次的观察变量[gydF4y2Ba95gydF4y2Ba]。Kibble等[gydF4y2Ba44gydF4y2Ba]利用GFA联合分析了5个大型多变量数据集，以了解与肥胖发展相关的多分子水平相互作用。gydF4y2Ba

大型数据集的PCAgydF4y2Ba

如今，大型数据集越来越普遍。PCA是一种经典的、被广泛采用的方法，它可以在保留尽可能多的统计信息(即变异性)的同时降低大型数据集的维数[gydF4y2Ba86gydF4y2Ba]。特别是，PCA试图找到新的变量，称为主成分，它们是原始数据集中的线性函数。新的变量彼此不相关(即正交)，并最大化预测的数据方差。Rashmi等[gydF4y2Ba31gydF4y2Ba[]使用PCA对热成像数据集的特征维数进行降维，根据儿童的肥胖严重程度对其进行分类。gydF4y2Ba

监督毫升gydF4y2Ba

线性回归gydF4y2Ba

线性回归被认为是一种传统的统计模型，也是开发预测模型的经典架构[gydF4y2Ba96gydF4y2Ba]，但从机器学习的角度来看，它满足了所有标准，并被广泛用作机器学习算法来预测连续结果，如BMI或BFP [gydF4y2Ba97gydF4y2Ba]。线性回归的可训练权重(即系数)通常使用普通最小二乘或梯度下降来估计。与许多其他ML模型相比，线性回归具有简单和可解释性的优点[gydF4y2Ba98gydF4y2Ba]。我们很容易理解这个模型是如何做出预测的。Wang等[gydF4y2Ba56gydF4y2Ba使用线性回归来识别预测肥胖风险的单核苷酸多态性特征。Phan等[gydF4y2Ba42gydF4y2Ba]使用线性回归来估计建筑环境指标与州一级肥胖患病率之间的关联。gydF4y2Ba

正则线性回归gydF4y2Ba

偏差-方差权衡是所有ML模型面临的一个基本问题[gydF4y2Ba86gydF4y2Ba，gydF4y2Ba99gydF4y2Ba]。偏差是学习算法中由于错误假设而产生的误差。高偏差可能导致算法错过特征和输出之间的相关关系(称为欠拟合)。方差是由于学习算法对训练集中的小波动的敏感性而产生的误差。由于算法对训练数据中的随机噪声进行建模，可能会导致高方差，这通常会导致算法对新的、未见过的数据的泛化能力差(称为过拟合)。一般来说，减少方差会增加偏差，反之亦然，ML算法需要微调以平衡这两个属性。正则化是防止模型过拟合和提高泛化(以增加偏差为代价)的基本技术，方法是向损失函数中添加可训练权的惩罚项[gydF4y2Ba86gydF4y2Ba]。最小化损失函数的优化算法将学习避免极端的权重值，从而减少方差。具有可训练权值平方和的惩罚项称为L2正则化，用于Ridge回归。具有可训练权值绝对值之和的惩罚项称为L1正则化，用于最小绝对收缩和选择算子(LASSO)回归。与Ridge回归不同，LASSO回归通常会将一些特征权重缩小到绝对零，这对特征选择很有用。最后，ElasticNet回归使用L1和L2正则化的加权和。Gerl等人[gydF4y2Ba54gydF4y2Ba]使用LASSO回归估计人血浆脂质体与体重结局(包括BMI、WC、WHR和BFP)之间的关系。gydF4y2Ba

逻辑回归gydF4y2Ba

在其最简单的形式中，逻辑回归使用逻辑函数，称为sigmoid函数，来模拟二元结果[gydF4y2BaOne hundred.gydF4y2Ba]。sigmoid函数是一个连续的，光滑的，可微的s形数学函数，它将实数映射到0和1范围内的值，使其成为建模概率的理想选择。基于一些预定义的阈值(例如，>0.5)，估计概率被转换为预测(0或1，表示排他性组成员)。在机器学习中，逻辑回归通常包含正则化(L1, L2或两者)以防止过拟合。逻辑回归在ML中的另一个常见扩展是当分类任务涉及>2(不相容)类时解决多类分类问题。一种典型的策略是使用1 -vs-rest方法(也称为1 -vs-all)，每个类适合一个分类器(例如，逻辑回归)对所有其他类[gydF4y2Ba101gydF4y2Ba]。将一个数据点分配给所有分类器中置信度得分最高的类。Thamrin等[gydF4y2Ba29gydF4y2Ba使用逻辑回归来评估各种肥胖风险因素的可预测性。Cheng等[gydF4y2Ba37gydF4y2Ba使用逻辑回归根据参与者的身体活动水平对肥胖状况进行分类。gydF4y2Ba

NB分类器gydF4y2Ba

NB算法将贝叶斯定理应用于gydF4y2Ba天真的gydF4y2Ba给定类值的每对特征之间的条件独立假设[gydF4y2Ba102gydF4y2Ba]。尽管存在这种过于简化的假设，但NB分类器已经被广泛使用，并且在解决许多现实世界的问题方面表现良好。条件特征分布的解耦允许每个分布被独立地估计为1D，使得NB分类器的训练比更复杂的ML模型要快得多[gydF4y2Ba86gydF4y2Ba]。相比之下，NB分类器的预测概率可信度较低，这是由于算法的gydF4y2Ba天真的gydF4y2Ba假设。Rashmi等[gydF4y2Ba31gydF4y2Ba基于热成像图像，使用NB对儿童肥胖进行分类。Thamrin等[gydF4y2Ba29gydF4y2Ba采用NB预测印度尼西亚健康调查数据中的成人肥胖[gydF4y2Ba29gydF4y2Ba]。gydF4y2Ba

再gydF4y2Ba

k -最近邻(KNN)是一种适用于分类和回归任务的非参数监督学习算法[gydF4y2Ba103gydF4y2Ba]。输入包括gydF4y2BakgydF4y2Ba最接近的训练数据点基于预先指定的距离测量(例如，欧几里得，曼哈顿，或闵可夫斯基距离)。对于分类任务，输出是类成员。将测试数据点分配给其k个最近邻(如果)中最常见的类gydF4y2BakgydF4y2Ba=1，测试数据点被分配给单个最近邻的类)。对于回归任务，输出是其k个最近邻的平均值。不应将KNN与k-means混淆。前者是一种有监督的ML算法，根据数据点的k个近邻来确定数据点的类别或值，而后者是一种无监督的ML算法，用于将数据点分类gydF4y2BakgydF4y2Ba最小化集群内部距离，同时最大化集群之间距离的集群[gydF4y2Ba90gydF4y2Ba]。KNN是一种基于记忆的学习算法，不需要训练(称为懒惰学习者)，但当样本量增加时，速度会明显变慢。Wang等[gydF4y2Ba56gydF4y2Ba]利用KNN预测基于单核苷酸多态性特征的肥胖风险。Ramyaa等[gydF4y2Ba51gydF4y2Ba使用KNN来预测身体活动和饮食数据的体重。gydF4y2Ba

支持向量机gydF4y2Ba

支持向量机(svm)是一种在高维空间中构造超平面的监督学习模型，可用于分类和回归任务[gydF4y2Ba104gydF4y2Ba]。支持向量机试图识别分离不同类的超平面，同时最大化到任何类最近的训练数据点的距离(即边际)。直觉上，边际越大，模型越有可能推广到新的、看不见的数据。边界类型的选择对于支持向量机来说是至关重要的[gydF4y2Ba86gydF4y2Ba]。硬边界支持向量机通过最小化从决策边界到训练点的距离来最大化边界。然而，如果训练数据是线性不可分割的，那么硬边际支持向量机可能会导致过拟合而无解。软边界支持向量机通过允许一些数据点违反边界(即错误分类)来修改硬边界支持向量机的约束。在实践中，原始特征空间中的数据很少是线性可分的，因此采用核方法将数据的输入空间映射到高维特征空间，在高维特征空间中可以训练线性模型[gydF4y2Ba105gydF4y2Ba]。许多核函数，如高斯径向基，sigmoid，和多项式核，可以选择。Wang等[gydF4y2Ba56gydF4y2Ba]利用SVM基于单核苷酸多态性特征预测肥胖风险。Ramyaa等[gydF4y2Ba51gydF4y2Ba]运用支持向量机，利用身体活动和饮食数据预测体重。gydF4y2Ba

DT算法gydF4y2Ba

dt是用于分类和回归任务的非参数监督学习方法[gydF4y2Ba106gydF4y2Ba]。在DT算法中，通过将构成树的根节点的源集分割成子集来构建树，这些子集包括后继子集[gydF4y2Ba107gydF4y2Ba]。分割是基于一组应用于输入特征的规则。存在不同的分割规则，如回归任务的方差约简和分类任务的基尼杂质或信息增益。拆分过程在每个派生子集上递归地重复(即递归分区)。当节点上的所有子集共享相同的目标值或分割不再为预测增加值时，递归完成。与其他ML算法相比，DTs具有几个优点，例如高透明度和可解释性以及对数据预处理的要求很少[gydF4y2Ba108gydF4y2Ba]。然而，dt可能容易出现过拟合(即，对从训练集学习到的规则过于自信，这不能很好地推广到测试集)和不稳定性(数据的微小变化导致非常不同的树)。利用从电子病历中提取的特征，Hong等[gydF4y2Ba52gydF4y2Ba使用DTs来预测肥胖和其他15种合并症。Taghiyev等[gydF4y2Ba41gydF4y2Ba进行DTs以确定与肥胖发病相关的风险因素。gydF4y2Ba

射频模型gydF4y2Ba

集成方法是将一组模型的预测集合在一起的方法，旨在提高分类或回归任务的性能[gydF4y2Ba109gydF4y2Ba]。有各种各样的集成方法，如装袋、粘贴、增强和堆叠[gydF4y2Ba86gydF4y2Ba]。Bagging和paste对集合中包含的每个预测器使用相同的训练算法，并在训练集的不同随机子集上训练它。采用置换抽样的方法称为装袋法;当采样不进行替换时，称为粘贴。RF是通常通过装袋或粘贴方法训练的dt的集合[gydF4y2Ba110gydF4y2Ba]。具体来说，RF在不同的数据子集上拟合许多dt，并使用平均来提高预测精度并防止过拟合。对于分类任务，RF输出是大多数树选择的类;对于回归任务，使用单个树的平均预测。用于微调的RF的一些常见超参数包括森林中的树数、分裂节点时考虑的最大特征数、每棵树中的最大分支数、节点分裂前放置在节点中的最小数据点数、叶子节点中允许的最小数据点数以及数据点采样方法(即有或没有替换)[gydF4y2Ba86gydF4y2Ba]。RF通常比dt产生更准确和稳健的预测，是最流行的监督ML算法之一[gydF4y2Ba111gydF4y2Ba]。使用RF模型，Hinojosa等[gydF4y2Ba58gydF4y2Ba研究了美国加州的社会和学校环境与儿童肥胖之间的关系。Dunstan等[gydF4y2Ba46gydF4y2Ba使用来自79个国家的食品销售数据进行射频预测全国肥胖流行率。gydF4y2Ba

极端梯度增强gydF4y2Ba

boost是指将几个弱模型组合成一个强模型的任何集成方法[gydF4y2Ba112gydF4y2Ba]。boosting和bagging and paste的区别在于，在boosting中，不同的模型依次应用于整个训练集，新模型试图解决前一个模型的弱点(例如，错误分类的目标和残差)。相比之下，在装袋和粘贴中，相同的模型在训练集的不同随机子集上训练。一种流行的增强算法是梯度增强算法，该算法利用前一模型的残差对新模型进行训练[gydF4y2Ba113gydF4y2Ba]。极限梯度增强(XGBoost)实现了一种优化的并行树梯度增强算法，旨在实现高效、灵活和便携[gydF4y2Ba114gydF4y2Ba]。XGBoost被认为是最强大的机器学习算法之一，通常是机器学习竞赛中获胜作品的重要组成部分[gydF4y2Ba86gydF4y2Ba]。XGBoost的一些缺点包括缺乏可解释性和容易过度拟合。Pang等[gydF4y2Ba33gydF4y2Ba使用XGBoost来预测基于电子健康记录的早期儿童肥胖。Alkutbe等[gydF4y2Ba27gydF4y2Ba基于在沙特阿拉伯收集的横断面健康调查数据，应用梯度增强来预测BFP。gydF4y2Ba

多元自适应样条回归gydF4y2Ba

多变量自适应样条回归(MARS)是一种非参数回归技术，通过使用铰链函数组合≥2个线性回归，自动模拟非线性和变量之间的相互作用[gydF4y2Ba115gydF4y2Ba，gydF4y2Ba116gydF4y2Ba]。铰函数等于它的实参当实参>0时其他地方都是0。MARS使用两阶段程序建立模型[gydF4y2Ba117gydF4y2Ba]。前向阶段从只包含截距项(即目标均值)的模型开始，反复成对地将基函数(即常数函数或铰链函数)添加到使训练集误差平方损失最小的模型中。逆向(或修剪)阶段通常从一个过拟合的模型开始，并在每一步删除其最无效项，直到找到最佳子模型。MARS需要很少或不需要数据准备，易于理解和解释，并且可以处理分类和回归任务。然而，它的表现往往不如增强集成方法。邵(gydF4y2Ba65gydF4y2Ba]应用MARS利用小规模健康记录数据集预测BFP。gydF4y2Ba

戴斯。莱纳姆:模型gydF4y2Ba

在肥胖文献中，深度学习模型被应用于3种不同的数据类型:表格数据(如电子表格数据)、图像和文本。这些数据类型之间的模型体系结构有系统的不同。gydF4y2Ba

表列数据的深度学习gydF4y2Ba

虽然gydF4y2Ba浅gydF4y2Ba在大多数情况下，ML模型在表格数据集上表现良好，深度神经网络模型可以更有效地学习特征和目标之间的一些复杂关系[gydF4y2Ba118gydF4y2Ba]。全连接神经网络由一系列全连接层组成，每一层的人工神经元(即节点)与下一层的所有神经元相连[gydF4y2Ba76gydF4y2Ba]。多层感知器(multilayer perceptron, MLP)是一种经典的全连接神经网络，由至少3层神经元组成:输入层、隐藏层和输出层[gydF4y2Ba119gydF4y2Ba]。全连接神经网络的一个优点是gydF4y2Ba结构无关gydF4y2Ba，不需要对输入进行特定假设。然而，在表格数据上训练的神经网络有时容易出现过拟合[gydF4y2Ba120gydF4y2Ba]。公园和艾丁顿街[gydF4y2Ba121gydF4y2Ba使用MLP来识别糖尿病风险升高的个体。Heydari等[gydF4y2Ba67gydF4y2Ba使用来自伊朗军事人员的横断面研究数据，进行MLP预测肥胖状况。gydF4y2Ba

图像的深度学习gydF4y2Ba

CV是人工智能的一个领域，它使计算机能够从数字图像、视频或其他视觉输入中学习，并为决策和建议提供有意义的信息[gydF4y2Ba122gydF4y2Ba，gydF4y2Ba123gydF4y2Ba]。如今，大多数CV应用程序都使用深度学习模型，事实证明，深度学习模型比它们更有能力gydF4y2Bashallow-learninggydF4y2Ba(即ML模型)在表示和揭示图像数据中固有的高维、复杂的非线性模式方面是相对应的。具体来说，cnn一直优于传统的密集连接神经网络(如MLP)，在许多具有挑战性的CV任务中，从图像分类到目标检测和分割，cnn都达到了类似人类或超人的精度。gydF4y2Ba124gydF4y2Ba，gydF4y2Ba125gydF4y2Ba]。cnn相对于密集连接神经网络的主要优点是局部性、平移不变性和计算效率[gydF4y2Ba126gydF4y2Ba]。局域性是指在cnn中反复使用小尺寸的核(或过滤器)来识别越来越复杂的局部模式(例如，从基本的形状(如线和边)到复杂的物体(如脂肪组织或脑肿瘤)。平移不变性是指cnn能够独立于实体在图像中的位置检测实体。cnn的计算效率是通过使用核、全局池化和其他技术来实现的，这些技术通常使模型比密集连接的模型小得多(即可学习的参数更少)。在过去的十年中，许多基于cnn的深度学习模型被建立并用于解决特定领域的CV问题[gydF4y2Ba76gydF4y2Ba，gydF4y2Ba127gydF4y2Ba]。一些具有里程碑意义的模型包括但不限于LeNet、AlexNet、VGG、Inception、ResNet、Xception、ResNeXt和U-Net。gydF4y2Ba

迁移学习在现代人工智能中起着至关重要的作用，为一个任务开发的模型被重用为另一个不同但相关的任务的模型的起点[gydF4y2Ba128gydF4y2Ba];例如，在ImageNet数据上训练的ResNet模型有超过1400万张图像，大约1000个类别(例如，桌子和马)，它在权重中存储了许多有用的视觉模式，这可以帮助解决其他CV任务(例如，在MRI扫描中识别脂肪组织)[gydF4y2Ba129gydF4y2Ba]。与从头开始训练的模型相比，迁移学习可以大大减少为特定任务训练模型所需的图像数量，并提高模型的性能[gydF4y2Ba130gydF4y2Ba]。gydF4y2Ba

Maharana和Nsoesie [gydF4y2Ba57gydF4y2Ba]采用了VGG模型架构来研究肥胖患病率与谷歌地图图像测量的建筑环境之间的关系(例如，公园、高速公路、绿色街道、人行横道和各种住房类型)。同样，Phan等[gydF4y2Ba42gydF4y2Ba使用VGG模型来评估全州范围内肥胖、体育活动和慢性疾病死亡率与建筑环境之间的联系，并使用谷歌街景的图像。Bhanu等[gydF4y2Ba38gydF4y2Ba]应用U-Net模型从MRI数据中识别脂肪组织。Snekhalatha和Sangamithirai [gydF4y2Ba30.gydF4y2Ba]在预训练的CNN模型上应用迁移学习来检测基于热成像数据的肥胖。gydF4y2Ba

文本DLgydF4y2Ba

除了简历，NLP是另一个深度学习占据主导地位的领域[gydF4y2Ba131gydF4y2Ba]。早期的NLP模型主要采用递归神经网络(RNN)架构，在情感分析、文本摘要、语言翻译和语音识别等各种NLP任务中具有广泛的适用性[gydF4y2Ba74gydF4y2Ba，gydF4y2Ba132gydF4y2Ba]。RNN与前馈MLP的不同之处在于它从先前的输入(存储为)中获取信息gydF4y2Ba记忆gydF4y2Ba)来影响当前的输入和输出，它利用顺序重要的连续数据结构(例如时间序列或自然语言)[gydF4y2Ba133gydF4y2Ba]。NLP任务中常用的RNN模型包括门控循环单元和长短期记忆单元[gydF4y2Ba74gydF4y2Ba]。然而，在今天的NLP领域，由谷歌团队于2017年发明的变压器已经超过了门控循环单元和长短期记忆单元等RNN模型[gydF4y2Ba134gydF4y2Ba-gydF4y2Ba136gydF4y2Ba]。变形器是使用自关注来处理语言序列的编码器-解码器模型[gydF4y2Ba137gydF4y2Ba]。编码器将输入序列映射为状态表示向量。解码器解码状态表示向量以生成目标输出序列。自注意机制在编码器和解码器中重复使用，以帮助它们将输入数据上下文化。具体来说，该机制将句子中的每个单词与其他单词(包括其本身)进行比较，并重新权衡每个单词的嵌入以结合上下文相关性。GPT-3、BERT、XLNet、RoBERTa和T5等流行的变压器模型已广泛应用于各种NLP任务，并取得了最先进的结果[gydF4y2Ba137gydF4y2Ba]。Stephens等[gydF4y2Ba48gydF4y2Ba]通过基于自然语言处理模型的行为指导聊天机器人苔丝(Tess)测试了儿童肥胖治疗支持的效果。该研究的结论是，Tess对患有肥胖症和前驱糖尿病的儿科患者具有治疗价值，特别是在办公时间之外，可以扩大规模，为更大的患者群体服务。gydF4y2Ba

概述gydF4y2Ba

该研究对人工智能在肥胖研究中的应用进行了范围审查。在数字书目数据库中进行关键词搜索，发现了46项研究，这些研究使用了不同的ML和DL模型来研究肥胖相关的结果。总的来说，研究发现人工智能模型有助于检测有临床意义的肥胖模式或特定协变量与体重结果之间的关系。大多数(18/ 22,82%)比较AI模型与传统统计方法的研究发现，AI模型对测试数据的预测精度更高。一些(5/ 46,11 %)比较不同AI模型性能的研究揭示了混合结果，可能表明模型性能对其应用的数据集和任务具有很高的偶然性。采用最先进的深度学习模型而不是标准ML模型的趋势正在加速，以解决具有挑战性的CV和NLP任务。我们简要介绍了目前流行的ML和DL模型，并总结了它们在本文研究中的具体应用。gydF4y2Ba

尽管在肥胖研究中使用了各种各样的ML和DL模型，但这很可能是在大数据时代使用人工智能应用的趋势的开始。未来在肥胖研究中采用人工智能可能会受到一系列因素的影响，以下章节将讨论3个突出的因素。gydF4y2Ba

通用人工智能gydF4y2Ba

本研究中回顾的ML和DL模型主要是单模态和任务特定的:它们建立在单一数据类型(如表格、文本或图像)上，以解决特定问题，如肥胖分类或BMI预测。人工智能的最新进展展示了多模态、多任务ML和DL模型的可行性和可能的卓越性能，这些模型可以在不同的数据类型(例如，表格加文本、图像、视频或音频)上进行训练，并且可以同时处理许多下游任务领域(例如，文本生成、对象检测、时间序列预测和语音识别)。gydF4y2Ba138gydF4y2Ba-gydF4y2Ba140gydF4y2Ba]。然而，应该注意的是，人工智能模型的预测准确性可能因性别和年龄组而异[gydF4y2Ba27gydF4y2Ba]及性别及年龄组别[gydF4y2Ba59gydF4y2Ba]。不同于BMI, BMIgydF4y2BazgydF4y2Ba分数根据性别和年龄差异进行调整[gydF4y2Ba141gydF4y2Ba]。未来的研究可能会评估人工智能模型在BMI和BMI应用中的潜在差异gydF4y2BazgydF4y2Ba分数是衡量结果的标准。通用人工智能(AGI)指智能体理解或学习由人类执行的任何智力任务的能力。[gydF4y2Ba142gydF4y2Ba，gydF4y2Ba143gydF4y2Ba]。现在判断这些多模式、多任务的ML和DL模型是否会导致AGI(或者我们是否可以通过技术创新实现AGI)还为时过早。[gydF4y2Ba144gydF4y2Ba]。尽管如此，我们可能很快就会看到这些模型在肥胖相关研究中的应用越来越多。gydF4y2Ba

合成数据生成gydF4y2Ba

数据访问是任何人工智能模型训练的基础。关于数据的两个主要障碍是有限的样本量和保密问题[gydF4y2Ba145gydF4y2Ba-gydF4y2Ba148gydF4y2Ba]。ML和DL模型越来越多地用于生成合成数据，作为从现实世界收集数据的替代方法[gydF4y2Ba149gydF4y2Ba，gydF4y2Ba150gydF4y2Ba]。合成数据不包含需要人类受试者审查的私人信息，因此可以与其他各方或公众共享，而无需担心保密问题。[gydF4y2Ba151gydF4y2Ba]。相比之下，合成数据保留了原始数据的数学和统计属性，确保在其上训练的人工智能模型可以推广到现实世界的数据[gydF4y2Ba152gydF4y2Ba]。此外，考虑到合成数据的无限制可用性(仅受数据生成计算能力的限制)，在合成数据上训练的人工智能模型对于数据变化具有鲁棒性[gydF4y2Ba153gydF4y2Ba]。各种类型的合成数据，如表格、文本和图像，已经大量生成，以经济有效地训练ML和DL模型。与肥胖有关的数据或更一般地说，与健康有关的数据的收集费用可能很高(例如，核磁共振扫描)，并且包含机密信息(例如，病人的姓名或居住地址)，这些信息可以通过合成数据生成来解决[gydF4y2Ba154gydF4y2Ba]。gydF4y2Ba

Human-in-the-LoopgydF4y2Ba

与人工智能相关的数据偏差和伦理问题日益受到关注[gydF4y2Ba155gydF4y2Ba，gydF4y2Ba156gydF4y2Ba]。从根本上说，人工智能模型应该促进而不是取代人类的判断和决策[gydF4y2Ba157gydF4y2Ba，gydF4y2Ba158gydF4y2Ba]。人在环(HITL)是一种需要人类互动的人工智能模型[gydF4y2Ba159gydF4y2Ba，gydF4y2Ba160gydF4y2Ba]。HITL确保算法偏差和潜在的破坏性模型输出可以及时识别并纠正，以防止不良后果。然而，人与机器之间的这种交互需要在数据处理管道、模型架构和人员管理方面进行深思熟虑的设计[gydF4y2Ba159gydF4y2Ba]。与肥胖有关的数据和模型驱动的决策，如行为改变(如饮食或身体活动干预)或医疗，可能很复杂[gydF4y2Ba161gydF4y2Ba]。人工智能驱动的可穿戴设备和其他数字健康平台可以检测个人身体活动的变化，并提供可操作的信息，以改善健康结果[gydF4y2Ba162gydF4y2Ba-gydF4y2Ba164gydF4y2Ba]。移动化学传感器可以通过实时监测食物摄入过程中化学物质的变化，收集基于个体代谢特征和环境暴露的动态数据，从而提供及时的饮食信息，从而支持饮食行为决策，以改善精确的营养[gydF4y2Ba165gydF4y2Ba]。HITL可将人工智能模型输出与专家输入相结合，以做出明智的决策，利用两者的优势，最大限度地提高患者恢复和改善健康的机会[gydF4y2Ba166gydF4y2Ba]。gydF4y2Ba

范围审查和纳入研究的局限性gydF4y2Ba

据我们所知，这项研究首次系统地回顾了肥胖症文献中采用的人工智能相关方法，以及未来技术发展和应用的项目趋势。然而，本综述和纳入的研究存在一些局限性。由于我们的综述集中在ML和DL方法上，研究的具体结果(例如，干预的有效性和协变量与结果之间的估计关联)没有详细综合。纳入的研究在假设和研究问题、研究设计、样本人群、数据收集方法、样本量和数据质量等方面存在异质性。所选择的分析方法与这些研究特定参数是内生的;因此，跨研究比较模型性能可能不可靠。即使在同一研究中，由于数据与ML和DL算法之间的相互依赖性，关于相对模型性能的结论(例如，逻辑回归与SVM的预测精度)可能缺乏泛化性。人工智能技术正在快速发展，几乎每天都有创新和突破。像这样的评论将有很短的保质期，需要定期更新。gydF4y2Ba

结论gydF4y2Ba

本研究回顾了肥胖症文献中采用的人工智能相关方法，特别是用于肥胖症测量、预测和治疗的表格、图像和文本数据的ML和DL模型。它旨在为研究人员和从业者提供人工智能在肥胖研究中的应用概况，使他们熟悉流行的ML和DL模型，并促进他们采用人工智能应用。该综述还讨论了多模式和多任务人工智能模型、合成数据生成和HITL等新兴趋势，这些趋势可能会在肥胖研究中得到越来越多的应用。gydF4y2Ba

致谢gydF4y2Ba

本研究部分资助于中国地质大学中央高校基本科研业务费专项资金(批准号:2-9-2020-036)。gydF4y2Ba

作者的贡献gydF4y2Ba

RA设计了这项研究并撰写了手稿。RA和JS共同设计搜索算法，筛选文章。JS执行数据提取并构造汇总表。YX起草了部分讨论部分。JS和YX修改了稿件。共同第一作者RA和JS贡献相同。gydF4y2Ba

利益冲突gydF4y2Ba

没有宣布。gydF4y2Ba

‎gydF4y2Ba

多媒体附录1gydF4y2Ba

PubMed中使用的搜索算法。gydF4y2Ba

DOC文件，12 KBgydF4y2Ba

营养不良的双重负担。《柳叶刀》2019年12月16日。URL:gydF4y2Bahttps://www.thelancet.com/series/double-burden-营养不良gydF4y2Ba[2022-06-18]访问gydF4y2Ba
安瑞，纪敏，张生。全球变暖与肥胖:系统综述。科学通报，2018;19(2):150-163。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
吴敏，吴立明，吴立明，吴立明，吴立明。1980-2013年期间全球、区域和国家儿童和成人超重和肥胖患病率:2013年全球疾病负担研究的系统分析柳叶刀2014 Aug 30;384(9945):766-781 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
肥胖和超重。世界卫生组织。URL:gydF4y2Bahttps://www.who.int/news- room /fact-sheets/detail/ obesity-and -超重gydF4y2Ba[2022-06-18]访问gydF4y2Ba
非传染性疾病风险因素协作(NCD- risc)。1975年至2014年200个国家成人身体质量指数的趋势:对1698项基于人口的测量研究的汇总分析，涉及1920万参与者Lancet 2016 Apr 02;387(10026):1377-1396 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Sivarajah U, Kamal M, Irani Z, Weerakkody V.大数据挑战的批判性分析和分析方法。[J]商业研究，2017;27(1):1 - 6。gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Dash S, Shakyawar S, Sharma M, Kaushik S.医疗保健大数据:管理、分析和未来展望。大数据学报2019年6月19日;6(1):54 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
数字医疗中的大数据:对全科医疗的经验教训和建议。遗传(爱丁堡)2020年4月;124(4):525-534 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
徐勇，刘霞，曹霞，黄超，刘娥，钱生，等。人工智能:科学研究的强大范例。创新(Camb) 2021 11月28日;2(4):100179 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
刘建军，刘建军，刘建军。人工智能在疾病诊断中的应用:系统文献综述、综合框架和未来研究议程。[J] .计算机工程学报，2016(1):1- 8。gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
刘建军，刘建军，刘建军，刘建军。放射学中的人工智能。癌症学报;2018;18(8):500-510 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Syrowatka A, Kuznetsova M, Alsubai A, Beckman AL, Bain PA, Craig KJ，等。利用人工智能进行大流行病防范和应对:确定关键用例的范围审查。中华医学会数字医学杂志[j]; 2010;4(1):96 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Bin Sawad A, Narayan B, Alnefaie A, Maqbool A, Mckie I, Smith J，等。慢性疾病医疗保健人工智能会话代理系统综述。传感器(巴塞尔)2022 3月29日;22(7):2625 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
吴永强，吴永坚，朱宝强，郭建辉，何志强。健康促进和行为改变中的机器学习:范围审查。[J] .中国医学信息学报，2010;24(6):851 - 851 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Bohr A, Memarzadeh K.人工智能在医疗保健应用中的兴起。当前趋势:医疗保健领域的人工智能。剑桥，马萨诸塞州，美国:学术出版社;2020.gydF4y2Ba
陈毅，刘建军，刘建军，刘建军。健康和医学领域的人工智能。中华医学杂志，2018;28(1):31-38。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
米托荣，王峰，王生，姜鑫，杜德利季涛。医疗保健领域的深度学习:回顾、机遇和挑战。生物通报2018年11月27日;19(6):1236-1246 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
达文波特T，卡拉科塔R.人工智能在医疗保健领域的潜力。未来健康杂志，2019;6(2):94-98 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
昂英英，黄正成，丁丁。人工智能的前景:回顾人工智能在医疗保健领域的机遇和挑战。中国生物医学工程学报，2014,30(1):1 - 4。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Quinn TP, Senadeera M, Jacobs S, Coghlan S, Le V.信任和医疗人工智能:我们面临的挑战和克服这些挑战所需的专业知识。中华医学杂志，2013;28(4):890-894 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D.人工智能在临床应用中的关键挑战。中华医学杂志2019;17(1):195 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Chew HS, Achananuparp .人工智能在医疗保健中的认知和需求:范围审查。[J] .中国医学信息学报，2010;24(1):391 - 391 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
张建军，张建军，张建军，等。人工智能技术在肥胖管理中的应用。Vittalle J Health science 2018; 9月27日;30(2):73-79。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Triantafyllidis AK, Tsanas A.机器学习在现实生活数字健康干预中的应用:文献综述。医学互联网研究2019年04月05日;21(4):e12286 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
崔科，李丽娟，李建平，李建平，等。PRISMA范围审查扩展(PRISMA- scr):清单和解释。中华医学杂志2018年10月2日;16 (7):467-473 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
abdel - al RE, Mangoud AM。利用溯因网络建模肥胖。中国生物医学工程学报，1997,30(6):451-471。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
alutbe RB, Alruban A, Alturki H, Sattar A, Al-Hazzaa H, Rees G.基于机器技术的8-12岁沙特阿拉伯儿童脂肪质量预测方程及参考范围。中国生物医学工程学报(英文版);2010;9:1071 - 1074 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Zare S, Thomsen MR, Nayga RM, Goudie a .使用机器学习来确定BMI筛查项目的信息价值。中华预防医学杂志，2013;33 (3):425-433 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Thamrin SA, Arsyad DS, Kuswanto H, Lawi A, Nasir S.使用机器学习技术预测成人肥胖:2018年印度尼西亚基础健康研究分析。前瞻杂志2021;8:669155 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军。基于卷积神经网络热成像的肥胖计算机辅助诊断。生物医学工程学报(英文版);33 (3):391 - 391 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Rashmi R, Umapathy S, Krishnan P.基于机器学习技术的儿童肥胖评估热成像方法。成像系统技术[J] . contemporary medicine; 2013;31(3):1752-1768 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
潘海军，李建平，彭丽丽，迟刚。反黑人生命运动与黑人肥胖的关系研究。社会科学与医学2021七月28:114265。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
庞翔，Forrest CB, Lê-Scherban F, Masino AJ。利用机器学习和电子健康记录数据预测儿童早期肥胖。[J]中华医学杂志;2009;30 (5):391 - 391 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
林志，冯伟，刘勇，马超，阿凡迪，周丹，等。机器学习识别肥胖的代谢亚型:一项多中心研究。内分泌杂志(洛桑)2021;12:713592 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李凯，金海英，李世杰，权素，罗山，黄洪生，韩国妇产科超声学会研究组。使用全国多中心超声数据预测新生儿体重指数:一项机器学习研究。BMC妊娠分娩2021年3月02日;21(1):172 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
陈建军，陈建军，陈建军，陈建军。基于机器学习的负面情绪对身体质量指数预测的实证研究。传感器(巴塞尔)2021 3月29日;21(7):2361 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
程霞，林生，刘军，刘生，张军，聂鹏，等。体育活动是否能预测肥胖——一种基于机器学习和统计方法的分析。国际环境与公共卫生杂志2021年4月09日;18(8):3966 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Bhanu PK, arind CS, Yeow LY，陈文新，Lim WS . Tan chat:一种基于深度学习的大队列研究腹部脂肪综合分析工具。MAGMA 2022;35(2):205-220。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
姚勇，宋磊，叶杰。运动-身体质量指数:使用运动传感器预测智能手机用户的身体质量指数。传感器(巴塞尔)2020 Feb 19;20(4):1134 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
肖燕，张燕，孙燕，陶鹏，邝霞。绿地对居民肥胖真的有影响吗?百度街景的新视角。中华卫生杂志2020;8:32 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Taghiyev A, Altun A, Caglar S.一种基于机器学习的混合方法来识别肥胖的原因。控制工程与应用信息学报，2020;22(2):56-66。gydF4y2Ba
Phan L, Yu W, Keralis JM, Mukhija K, Dwivedi P, Brunisholz KD，等。在美国，谷歌街景导出了建筑环境指标及其与州一级肥胖、体育活动和慢性疾病死亡率的关联。国际环境与公共卫生杂志2020年5月22日;17(10):3659 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李俊杰，李俊杰，李俊杰。神经影像生物标志物预测青少年体重指数的纵向研究。脑影像学报，2020;14(5):1682-1695。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Kibble M, Khan SA, mad- ud - din M, Bollepalli S, Palviainen T, Kaprio J，等。一种综合机器学习方法，利用单卵双胞胎数据发现肥胖的多层次分子机制。社会科学进展，2010;37 (5):391 - 391 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
付勇，苟伟，胡伟，毛勇，田勇，梁旭，等。整合可解释的机器学习算法，以识别早产儿儿童肥胖的早期生活风险因素:一项前瞻性出生队列。中华医学杂志，2010;18(1):184 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Dunstan J, Aguirre M, Bastías M, Nau C, Glass TA, Tobar F.使用机器学习从食品销售预测全国肥胖。卫生信息学报，2020;26(1):652-663 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
bles - selva V, Tortajada S, Vilar R, Valdivieso B, García-Gómez JM。从阳性和未标记的电子健康记录中识别基于机器学习的肥胖。猪健康技术通报2020年6月16日;270:864-868。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Stephens TN, Joerin A, rawws M, Werk LN。通过人工智能行为指导聊天机器人苔丝支持儿童肥胖和前驱糖尿病治疗的可行性。中华医学杂志，2019;9(3):440-447。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
申顺，李军，崔山，杨海燕，闵军，安凯，等。用于可穿戴设备的具有人体测量数据的基于干电极的体脂估计系统。传感器(巴塞尔)2019年5月10日;19(9):2177 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Scheinker D, Valencia A, Rodriguez F.使用流行病学和机器学习模型识别美国县级肥胖患病率变化的相关因素。JAMA网络开放2019年4月05日;2(4):e192884 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Ramyaa R, Hosseini O, Krishnan GP, Krishnan S.使用机器学习工具基于饮食宏量营养素，身体活动和体重对女性进行表型分析。2019年7月22日;11(7):1681 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
洪宁，文安，石志刚，Tsuji S, Kingsbury PR, Rasmussen LV，等。开发基于fhr的EHR表型框架:从出院总结中识别肥胖和多种合并症患者的案例研究。[J]中国生物医学工程学报，2019;33 (2):391 - 391 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Hammond R, Athanasiadou R, Curado S, Aphinyanaphongs Y, Abrams C, Messito MJ，等。利用电子健康记录和公开数据预测儿童肥胖。PLoS ONE 2019 april 22;14(4):e0215571 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Gerl MJ, Klose C, Surma MA, Fernandez C, Melander O, Männistö S，等。人类血浆脂质体的机器学习在大人群队列中的肥胖估计。PLoS biology 2019;17(10):e3000443 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Duran I, Martakis K, Rehberg M, Semler O, Schoenau E.人工神经网络预测儿童体脂过多的诊断性能。儿科杂志2019年2月;14(2):e12494。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
王辉，常松，林伟，陈超，蒋松，黄坤，等。基于机器学习的肥胖风险评估方法，使用来自下一代测序的单核苷酸多态性。计算机学报，2018;25(12):1347-1360。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Maharana A, Nsoesie EO。使用深度学习来检查建筑环境与社区成年人肥胖患病率的关系。JAMA net Open 2018 Aug 03;1(4):e181535 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Ortega Hinojosa AM, MacLeod KE, Balmes J, Jerrett M.加州学校环境对儿童肥胖的影响。环境科学学报，2018;16(6):391 - 391。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Seyednasrollah F, Mäkelä J, Pitkänen N, Juonala M, Hutri-Kähönen N, Lehtimäki T，等。预测成年肥胖使用遗传和儿童临床危险因素在年轻的芬兰心血管危险研究。中国心血管病杂志，2017;10(3):e001554 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
林仁杰，刘建军，刘建军，等。在两个三级儿科医疗中心开发一种检测早期儿童肥胖的算法。苹果临床通报2016年7月20日;7(3):693-706 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Almeida SM, Furtado JM, Mascarenhas P, Ferraz ME, Silva LR, Ferreira JC等。大量9岁学龄儿童体脂的人体测量预测指标。《科学实践》2016年9月;2(3):272-281 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
黄海涛，黄海涛，黄海涛，李建平，李建平，等。探索森林而不是树木:一种定义肥胖和肥胖保护环境的创新方法。健康场所2015年9月31日[gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
杜根，刘建军，唐建军。儿童早期肥胖预测的机器学习技术。苹果临床通报2017年12月19日;06(03):506-520 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
陈华，杨斌，刘东，刘伟，刘勇，张旭，等。使用血液指标预测超重状态:一种基于学习机器的极端方法。科学通报，2015;10(11):e0143003 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
邵。使用智能混合方法预测体脂百分比。科学世界学报;2014;383910 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军，等。基于性别、年龄和身体质量指数的体脂率预测方法。计算机工程学报，2014;33(2):619 -619。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
王海涛，李建军，张建军，等。基于logistic回归的人工神经网络肥胖检测方法研究。中国医学杂志;2012;36(4):2449-2454。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
张帅，曾晓，乔华，Buchan I, Keane J.数据挖掘方法与logistic回归方法在儿童肥胖预测中的比较。Inf系统前沿2009 Feb 24;11(4):449-460 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
杨海燕，杨海燕，杨海燕，杨海燕。基于文本挖掘的临床出院总结疾病状态预测方法。中华医学杂志，2009;16(4):596- 596 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
[cn] n U.肥胖症的逻辑回归和神经网络分类方法。医学系统学报，2009;33(1):67-72。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Positano V, Cusi K, Santarelli MF, Sironi A, Petz R, Defronzo R，等。强度不均匀性的自动校正改善了MRI对腹部脂肪的无监督评估。磁共振成像学报，2008;28(2):403-410。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Haenlein M, Kaplan A.人工智能简史:人工智能的过去、现在和未来。加州管理，2019年7月17日;61(4):5-14。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
人工智能。斯坦福哲学百科全书。URL:gydF4y2Bahttps://plato.stanford.edu/gydF4y2Ba[2022-06-18]访问gydF4y2Ba
深度学习与Python，第二版。庇护所岛，纽约，美国:曼宁;2021.gydF4y2Ba
Samuel A.一些使用跳棋游戏进行机器学习的研究。IBM J . Res Dev 1959;3(3):210-229 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Alzubaidi L, Zhang J, Humaidi AJ, al - dujaili A, Duan Y, al - shamma O，等。深度学习综述:概念、CNN架构、挑战、应用、未来方向。大数据学报;2011;8(1):53 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Chauhan N, Singh K.传统机器学习与深度学习的综述。见:计算、电力和通信技术国际会议论文集(GUCON)。2018年在计算、电力和通信技术国际会议(GUCON)上发表;2018年9月28日至29日;大诺伊达，印度。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
刘建军，刘建军，刘建军，等。机器学习与传统统计方法在医学诊断、药物开发和治疗中的比较。美第奇纳(考纳斯)2020年9月08日;56(9):455 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Bennett M, Hayes K, Kleczyk E, Mehta R.医疗保健分析中机器学习与传统高级统计建模的异同。arXiv 2022 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Ley C, Martin RK, Pareek A, Groll A, Seil R, Tischer T.机器学习和传统统计:理解差异。膝关节外科运动创伤关节病杂志，2022;30(3):753-757。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
KhosrowHassibi。机器学习与传统统计学:不同的哲学，不同的方法。数据科学中心，2016年10月28日URL:gydF4y2Bahttps://www.datasciencecentral.com/machine-learning-vs-traditional-statistics-different-gydF4y2Ba[2022-06-18]访问gydF4y2Ba
机器学习中的模型评估、模型选择和算法选择。出来了。2018年11月gydF4y2Bahttps://arxiv.org/pdf/1811.12808.pdfgydF4y2Ba[2022-06-18]访问gydF4y2Ba
丁杰，Tarokh V，杨宇。模型选择技术综述。出来了。URL:gydF4y2Bahttps://arxiv.org/pdf/gydF4y2Ba[2022-06-18]访问gydF4y2Ba
刘建军，刘建军，刘建军。基于非监督和监督的机器学习算法研究。可汗:施普林格;2019.gydF4y2Ba
Wittek P.量子机器学习:量子计算对数据挖掘的意义波士顿:学术出版社;2014.gydF4y2Ba
使用Scikit-Learn和TensorFlow概念、工具和技术构建智能系统的动手机器学习。塞瓦斯托波尔，加利福尼亚，美国:O'Reilly Media;2017.gydF4y2Ba
李建军，李建军，李建军。基于多准则决策分析方法的关联规则挖掘算法的比较研究。参见:第三届控制、工程与信息技术国际会议论文集。2015年出席:第三届控制、工程与信息技术国际会议(CEIT);2015年5月25日至27日;特莱姆森、阿尔及利亚。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Velliangiri S, Alagumuthukrishnan S, Thankumar joseph SI。高效计算的降维技术综述。计算机工程学报，2019;16(5):1049 - 1049。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Singh A, Thakur N, Sharma A.监督机器学习算法综述。参见:2016年第三届全球可持续发展计算国际会议论文集(INDIACom)。2016年第三届全球可持续发展计算国际会议(INDIACom);2016年3月16-18日;印度新德里。gydF4y2Ba
A, Sahibuddin S, Haghighi MS. k均值聚类算法的系统评价。在:ICNCC 2020: 2020第九届网络、通信与计算国际会议;2020年12月18日- 20日;日本东京。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
李建军，李建军。模糊聚类算法的性能分析。计算机科学进展(英文版);2016;39(3):391 - 391。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
张建军，张建军，张建军，等。模糊c均值聚类策略的研究进展。新加坡:施普林格;2018.gydF4y2Ba
张敏，张伟，Sicotte H，杨鹏。一种新的基于关联的模糊c均值聚类算法有效性度量。发表于:2009年IEEE医学与生物工程学会国际年会;2009年9月03-06日;明尼阿波利斯，明尼苏达州，美国。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
张建军，张建军。因子分析:支持建构效度的理论和工具开发。中华医学杂志2020年11月6日;11:45 - 47 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
王晓明，王晓明，王晓明，Leppäaho E，群因子分析。IEEE Trans Neural network learning system, 2015;26(9):2136-2147。［gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
临床预测模型:开发、验证和更新的实用方法。纽约:斯普林格出版社;2009.gydF4y2Ba
Dasgupta A, Sun YV, König IR, Bailey-Wilson JE, Malley JD。遗传流行病学中基于回归和机器学习方法的简要回顾:遗传分析研讨会17的经验。遗传流行病学2011;35(增刊):5-11 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Gosiewska A, Kozak A, Biecek P.越简单越好:通过自动化特征工程提升可解释性与性能的权衡。决策支持系统2021 11;150:113556。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
刘建军，刘建军，刘建军。基于模型的机器学习模型研究。中国科学d辑，2019,33 (3):349 - 356 [j]。gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
张建军，张建军，张建军，等。统计分析[j]。Crit Care 2005 Feb;9(1):112-118 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
里夫金R，克劳陶a，为一对一的分类辩护。[J] .中文信息学报，2004;5:101-141。gydF4y2Ba
Wickramasinghe I, Kalutarage H.朴素贝叶斯:应用，变化和漏洞:对实现代码片段的文献回顾。软计算2020,09;25(3):2277-2293。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
唐克，De S, Verma S, Swetapadma A.最近邻学习与分类算法综述。参见:2019年智能计算与控制系统国际会议论文集(ICCS)。2019年智能计算与控制系统(ICCS)国际会议;2019年5月15日至17日;马杜赖，印度gydF4y2Bahttps://doi.org/10.1109/ICCS45141.2019.9065747gydF4y2Ba［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
塞万提斯J, Garcia-Lamont F, Rodríguez-Mazahua L, Lopez A.支持向量机分类的综合研究:应用、挑战和趋势。计算机工程学报;2009;38(8):369 - 369。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Ponte P, Melko RG。序参数可解释机器学习的核方法。物理学报，2017;11月27日;96(20)。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
决策树:最近的综述。人工智能学报，2011,29(4):261-283。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
M.决策树学习。收录于:复杂性与系统科学百科全书。柏林，海德堡:施普林格出版社;2015.gydF4y2Ba
李建军，李建军，李建军，等。基于支持向量机和决策树的机器学习研究进展。见:2016年计算通信控制与自动化国际会议论文集(ICCUBEA)。2016年计算机通信控制与自动化国际会议(ICCUBEA);2016年8月12日至13日;印度浦那。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Re M, Valentini G.集成方法综述。见:天文学机器学习和数据挖掘的进展。伦敦，英国:Chapman & Hall;2012.gydF4y2Ba
张建军，张建军，张建军。随机森林分类器的研究进展。智能数据通信技术与物联网国际会议。可汗:施普林格;2018.gydF4y2Ba
Talekar B.决策树和随机森林的详细综述。生物科学与技术，2020年12月28日;13(14):245-248。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
费雷拉A, Figueiredo M.提升算法:方法、理论和应用综述。在:集成机器学习。马萨诸塞州波士顿:斯普林格出版社;2012.gydF4y2Ba
黄志军，黄志军，黄志军，等。一种梯度增强算法的比较分析。人工智能学报，2020,24(3):1937-1967。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
陈涛，Guestrin C. XGBoost:一种可扩展的树木提升系统。2016年第22届ACM SIGKDD知识发现与数据挖掘国际会议论文集，发表于:KDD '16:第22届ACM SIGKDD知识发现与数据挖掘国际会议;2016年8月13日- 17日;美国加州旧金山。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军，等。多变量自适应回归样条曲线的改进。[J] .物理学报，2013,31(1):11208。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
李文杰。多元自适应回归样条曲线。统计学报，1991;19(1):1-67 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
张伟，高安。基于多元自适应回归样条的岩土工程系统分析。岩土工程学报(英文版);2013;48(1):82-95。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
钟刚，凌翔，王磊。从浅特征学习到深度学习:受益于深度架构的宽度和深度。WIREs Data Min Knowl 2018年3月28日;9(1):e1255 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
张建军，张建军。人工神经网络(多层感知器)在大气科学中的应用综述。大气科学进展，1998,32(4):369 - 369。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
李建军。一种用于分类的多层感知器的过拟合。发表于:ESANN 2019年会议录，欧洲人工神经网络、计算智能和机器学习研讨会;2019年4月24日至26日;布鲁日，比利时gydF4y2Bahttps://www.esann.org/sites/default/files/proceedings/legacy/es2019-80.pdfgydF4y2Ba［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Park J, Edington DW。预测模型在糖尿病危险个体识别中的应用。方法中华医学杂志2004;43(3):273-281。［gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
朱建军，刘建军，李建军，等。深度学习在工程应用中的研究进展。计算机科学与技术，2018;18 (2):551 - 557 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
柴静，曾华，李安，聂卫东。计算机视觉中的深度学习:对新兴技术和应用场景的批判性回顾。Mach Learn Application 2021 Dec;6:10 00134。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Dhillon A, Verma GK。卷积神经网络:对象检测的模型、方法和应用综述。项目人工智能2019 12月20日;9(2):85-112。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Khan A, Sohail A, Zahoora U, Qureshi AS。深度卷积神经网络的最新架构综述。人工智能，2020年4月21日;53(8):5455-5516。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Stevens E, Antiga L, Viehmann T.使用Python工具构建，训练和调整神经网络的深度学习。庇护所岛，纽约，美国:曼宁;2020.gydF4y2Ba
李建军，李建军。深度卷积神经网络研究进展。见:2017年通信与信号处理国际会议论文集(ICCSP)。2017年国际通信与信号处理会议(ICCSP);2017年04月06-08日;印度钦奈。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
庄峰，祁忠，段康，席东，朱勇，朱华，等。迁移学习研究综述。[j] .电子工程学报，2011;39(1):444 - 444。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
何凯，张翔，任松，孙杰。基于深度残差学习的图像识别。见:IEEE计算机视觉与模式识别会议论文集。2016年发表于:IEEE计算机视觉与模式识别会议(CVPR);2016年6月27-30日;拉斯维加斯，内华达州，美国［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Weiss K, Khoshgoftaar T, Wang D.迁移学习研究综述。大数据学报2016年05月28日;3(1):1-40 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
李宏。面向自然语言处理的深度学习:优势与挑战。国家科学通报，2017;5(1):24-26 [j]gydF4y2Ba免费全文gydF4y2Ba]gydF4y2Ba
leglaz A, Haralambous Y, Kim-Dufor D, Lenca P, Billot R, Ryan TC，等。心理健康中的机器学习和自然语言处理:系统综述。[J] Med Internet Res 2021 . 04;23(5):e15708 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军，等。一种基于神经网络的序列学习方法。arXiv 2015年6月5日gydF4y2Ba免费全文gydF4y2Ba]gydF4y2Ba
Chernyavskiy A, Ilvovsky D, Nakov P.变形金刚:自然语言处理的“历史终结”?In:数据库中的机器学习和知识发现。可汗:施普林格;2021.gydF4y2Ba
林涛，王勇，刘霞，邱霞。变压器研究概况。AI开放2022;3:111-132 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
张建军，张建军，张建军，张建军。注意力就是你所需的一切见:第三十一届神经信息处理系统会议论文集(NIPS 2017)。发表于:第31届神经信息处理系统会议(NIPS 2017);2017年12月4日- 9日;长滩，加州，美国gydF4y2Bahttps://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdfgydF4y2Ba
冯伟强，王志强，王志强。基于变形金刚的自然语言处理。计算机学报。塞瓦斯托波尔，加利福尼亚，美国:O'Reilly Media;2022.gydF4y2Ba
Summaira J, Li X, Shoib AM, Bourahla O, Songyuan L, Abdul J.多模态深度学习研究进展与趋势。arXiv 2021年5月[gydF4y2Ba免费全文gydF4y2Ba]gydF4y2Ba
刘建军，刘建军，刘建军，等。深度多模态学习在计算机视觉中的应用。计算机工程学报，2010;38(8):2939-2970 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
张勇，杨强。多任务学习研究综述。国家科学通报，2018;5(1):30-43。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Fagerberg P, Charmandari E, Diou C, Heimeier R, Karavidopoulou Y, Kassari P，等。在高中生中，快餐与体重指数增加有关。营养素2021 Mar 09;13(3):880 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Nyalapelli V, Gandhi M, Bhargava S, Dhanare R, bos .人工智能和人脑启发的认知架构进展综述。参见:2021年计算机通信与信息学国际会议论文集(ICCCI)。2021年国际计算机通信与信息学会议(ICCCI);2021年1月27日至29日;印度哥印拜陀。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
李建军，李建军。通用人工智能框架的研究进展与展望。发表于:2019年IEEE航空航天会议;2019年3月02-09日;大天空，MT，美国。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
为什么通用人工智能不会实现?人文社会科学通讯2020年6月17日;7(1)。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
裴海，张杰，郑东，张海，河海，李海，等。深度学习中的安全和隐私问题。arXiv 2021 Mar [gydF4y2Ba免费全文gydF4y2Ba]gydF4y2Ba
哈涛，党TK，李海，张涛。深度学习中的安全和隐私问题:简要回顾。[j] .计算机工程学报，2012 (1);［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Keshari R, Ghosh S, Chhabra S, Vatsa M, Singh R.揭示深度学习领域的小样本问题。2020年IEEE第六届多媒体大数据国际会议论文集(BigMM)。2020 IEEE第六届多媒体大数据国际会议(BigMM);2020年9月24日至26日;印度新德里。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
刘斌，魏勇，张勇，杨强。基于深度神经网络的高维低样本数据。见:第26届国际人工智能联合会议论文集(IJCAI-17)。2017年发表于:第26届国际人工智能联合会议论文集(IJCAI-17);2017年8月19-25日;澳大利亚墨尔本gydF4y2Bahttps://www.ijcai.org/Proceedings/2017/0318.pdfgydF4y2Ba［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
龚卡尔夫A, Ray P, Soper B, Stevens J, Coyle L, Sales AP.合成患者数据的生成和评价。BMC医学研究方法2020;07;20(1):108 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
陈荣军，陆美英，陈天宇，Williamson DF, Mahmood F.基于机器学习的医学和医疗保健综合数据。生物医学工程学报;2009;5(6):493-497 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军，李建军。基于监督式机器学习的医疗保健数据可靠性研究。中华医学杂志，2010;8(7):991 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军，等。一种实用的综合数据生成方法。塞瓦斯托波尔，加利福尼亚，美国:O'Reilly Media;2020.gydF4y2Ba
基于深度学习的综合数据。Cham: Springer International Publishing;2021.gydF4y2Ba
Moya-Sáez E, Peña-Nogales Ó， Luis-García R, Alberola-López C.基于两个常规序列和合成数据训练的合成MRI深度学习方法。计算机工程学报(英文版);2009;21 (10):559 - 563 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Mehrabi N, Morstatter F, Saxena N, Lerman K, Galstyan A.机器学习中的偏见和公平性研究。ACM computer surt2021;54(6):1-35。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
周楠，张志，Nair V, Singhal H，陈杰。基于人工智能和机器学习算法的偏见、公平与问责。国际统计Rev 2022年4月10日;90(3):468-480 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
刘建军，刘建军，刘建军，等。算法决策与控制问题。Minds Mach 2019 12月11日;29(4):555-578。［gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Lepri B, Oliver N, Pentland A.伦理机器:以人为中心的人工智能应用。iScience 2021 3月19日;24(3):102249 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
基于人工智能的主动学习与标注。庇护所岛，纽约，美国:曼宁出版社;2021.gydF4y2Ba
吴翔，肖磊，孙勇，张杰，马涛，何磊。人机在环机器学习研究综述。计算机工程学报(自然科学版);35 (5):369 - 369 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba]gydF4y2Ba
Timmins KA, Green MA, Radley D, Morris MA, Pearce J.大数据如何促进肥胖研究?文献综述。国际光学学报，2018;42(12):1951-1962 [J]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Sapci AH, Sapci HA。面向老龄化社会的创新辅助生活工具、远程监控技术、人工智能驱动的解决方案和机器人系统:系统综述。吉林大学学报(自然科学版);2009;2(2):349 - 349 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
Guisado-Fernández E, Giunti G, Mackey LM, Blake C, Caulfield BM。影响痴呆症患者及其非正式照护者采用智能卫生技术的因素:范围审查和设计框架。吉林大学学报(自然科学版);2009;2(1):362 - 362 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军，等。人工智能驱动的数字健康平台和可穿戴设备改善了辅助生活社区老年人的预后:试点干预研究。吉林大学学报(自然科学版);3(2):554 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
王杰，王杰，王杰，王杰。可穿戴式营养传感器的研究进展。ACS Sens 2021 5月28日;6(5):1745-1760 [gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba
李建军，李建军，李建军，等。人机合作与人工智能胸片诊断。中华数字医学杂志2019年11月18日;2(1):111 [j]gydF4y2Ba免费全文gydF4y2Ba] [gydF4y2BaCrossRefgydF4y2Ba] [gydF4y2BaMedlinegydF4y2Ba]gydF4y2Ba

‎gydF4y2Ba

美国国际集团:gydF4y2Ba通用人工智能gydF4y2Ba

人工智能:gydF4y2Ba人工智能gydF4y2Ba

家庭津贴计划”:gydF4y2Ba体脂率gydF4y2Ba

有线电视新闻网:gydF4y2Ba卷积神经网络gydF4y2Ba

简历:gydF4y2Ba计算机视觉gydF4y2Ba

DL:gydF4y2Ba深度学习gydF4y2Ba

DT:gydF4y2Ba决策树gydF4y2Ba

联合会:gydF4y2Ba群因子分析gydF4y2Ba

HITL:gydF4y2Bahuman-in-the-loopgydF4y2Ba

资讯:gydF4y2Ba再gydF4y2Ba

套索:gydF4y2Ba最小绝对收缩和选择操作符gydF4y2Ba

火星:gydF4y2Ba多元自适应回归样条gydF4y2Ba

ML:gydF4y2Ba机器学习gydF4y2Ba

简要:gydF4y2Ba多层感知器gydF4y2Ba

核磁共振成像:gydF4y2Ba磁共振成像gydF4y2Ba

注:gydF4y2Ba朴素贝叶斯gydF4y2Ba

NLP:gydF4y2Ba自然语言处理gydF4y2Ba

主成分分析:gydF4y2Ba主成分分析gydF4y2Ba

棱镜:gydF4y2Ba系统评价和荟萃分析的首选报告项目gydF4y2Ba

PRISMA-ScR:gydF4y2Ba系统评价和元分析的首选报告项目扩展范围评价gydF4y2Ba

射频:gydF4y2Ba随机森林gydF4y2Ba

RNN:gydF4y2Ba循环神经网络gydF4y2Ba

支持向量机:gydF4y2Ba支持向量机gydF4y2Ba

厕所:gydF4y2Ba腰围gydF4y2Ba

WHR:gydF4y2Ba腰臀比gydF4y2Ba

XGBoost:gydF4y2Ba极端梯度增压gydF4y2Ba

R库卡夫卡编辑;提交28.06.22;N . Maglaveras, B . Puladi的同行评审;对作者的评论30.08.22;收到修订版本05.10.22;接受01.11.22;发表07.12.22gydF4y2Ba

这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)下发布的开放获取文章，该许可允许在任何媒介上不受限制地使用、分发和复制，前提是原始作品首次发表在《医学互联网研究杂志》上，并适当引用。必须包括完整的书目信息，到//www.mybigtv.com/上原始出版物的链接，以及版权和许可信息。gydF4y2Ba

本文内容如下gydF4y2Bae-collection /主题问题:gydF4y2Ba

人工智能在肥胖研究中的应用:方法的范围综述gydF4y2Ba

人工智能在肥胖研究中的应用:方法的范围综述gydF4y2Ba

审查gydF4y2Ba

通讯作者:gydF4y2Ba

摘要gydF4y2Ba

关键字gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

肥胖症研究中人工智能方法的综合与传播gydF4y2Ba

方法gydF4y2Ba

研究选择标准gydF4y2Ba

搜索策略gydF4y2Ba

数据提取与合成gydF4y2Ba

方法回顾gydF4y2Ba

结果gydF4y2Ba

研究鉴定gydF4y2Ba

研究特点gydF4y2Ba

数据来源和结果测量gydF4y2Ba

主要发现gydF4y2Ba

方法回顾gydF4y2Ba

人工智能概述gydF4y2Ba

人工智能与传统统计方法的对比gydF4y2Ba

毫升子类gydF4y2Ba

概述gydF4y2Ba

无监督毫升gydF4y2Ba

k - means聚类gydF4y2Ba

模糊c均值聚类gydF4y2Ba

群体因子分析gydF4y2Ba

大型数据集的PCAgydF4y2Ba

监督毫升gydF4y2Ba

线性回归gydF4y2Ba

正则线性回归gydF4y2Ba

逻辑回归gydF4y2Ba

NB分类器gydF4y2Ba

再gydF4y2Ba

支持向量机gydF4y2Ba

DT算法gydF4y2Ba

射频模型gydF4y2Ba

极端梯度增强gydF4y2Ba

多元自适应样条回归gydF4y2Ba

戴斯。莱纳姆:模型gydF4y2Ba

表列数据的深度学习gydF4y2Ba

图像的深度学习gydF4y2Ba

文本DLgydF4y2Ba

讨论gydF4y2Ba

概述gydF4y2Ba

通用人工智能gydF4y2Ba

合成数据生成gydF4y2Ba

Human-in-the-LoopgydF4y2Ba

范围审查和纳入研究的局限性gydF4y2Ba

结论gydF4y2Ba

致谢gydF4y2Ba

作者的贡献gydF4y2Ba

利益冲突gydF4y2Ba

参考文献gydF4y2Ba

缩写gydF4y2Ba