审查gydF4y2Ba
摘要gydF4y2Ba
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
doi: 10.2196/40589gydF4y2Ba
关键字gydF4y2Ba
介绍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。gydF4y2Ba
]。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[gydF4y2Ba ]。自1975年以来,全世界的肥胖率几乎增加了两倍。gydF4y2Ba ]。2016年,全球13%的人口,即6.5亿成年人肥胖[gydF4y2Ba ]。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[gydF4y2Ba ]。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% [gydF4y2Ba ]。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[gydF4y2Ba
]。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[gydF4y2Ba ,gydF4y2Ba ]。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]gydF4y2Ba -gydF4y2Ba ]。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[gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba ]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)[gydF4y2Ba ]。人工智能应用的繁荣引发了许多问题[gydF4y2Ba -gydF4y2Ba :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[gydF4y2Ba
-gydF4y2Ba ]。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[gydF4y2Ba -gydF4y2Ba ]。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方法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[gydF4y2Ba
]。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
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
结果gydF4y2Ba
研究鉴定gydF4y2Ba
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[gydF4y2Ba -gydF4y2Ba ]。gydF4y2Ba
研究特点gydF4y2Ba
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 [ ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ];6(13%)在中国[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ];联合王国各3个(7%)[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]和韩国[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ];意大利各2个(4%)[gydF4y2Ba ,gydF4y2Ba ],土耳其[gydF4y2Ba ,gydF4y2Ba ],芬兰[gydF4y2Ba ,gydF4y2Ba ],德国[gydF4y2Ba ,gydF4y2Ba ]和印度[gydF4y2Ba ,gydF4y2Ba ];沙特阿拉伯各1个(2%)[gydF4y2Ba ],伊朗[gydF4y2Ba ],塞尔维亚[gydF4y2Ba ],葡萄牙[gydF4y2Ba ],西班牙[gydF4y2Ba ],新加坡[gydF4y2Ba ],澳大利亚[gydF4y2Ba ]和印度尼西亚[gydF4y2Ba ]。在46项研究中,32项(70%)采用了横断面研究设计[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ], 7(15%)前瞻性研究设计[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ], 6(13%)回顾性研究设计[gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]和1个(2%)双胎对照设计[gydF4y2Ba ]。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
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[gydF4y2Ba | ), 1997年gydF4y2Ba沙特阿拉伯gydF4y2Ba | 1995gydF4y2Ba | 横截面gydF4y2Ba | 1100gydF4y2Ba | 800gydF4y2Ba | N / A;300gydF4y2Ba | 病人gydF4y2Ba | N/AgydF4y2BabgydF4y2Ba | ≥20gydF4y2Ba | 神经网络gydF4y2BacgydF4y2Ba(目标gydF4y2BadgydF4y2Ba诱导的)gydF4y2Ba |
Positano等[gydF4y2Ba | ), 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(gydF4y2Ba | ), 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 | LRgydF4y2BaegydF4y2Ba中长期规划,gydF4y2BafgydF4y2Ba |
Yang等[gydF4y2Ba | ), 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gydF4y2BaggydF4y2Ba |
Zhang等[gydF4y2Ba | ), 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gydF4y2BahgydF4y2Ba, svm, dtgydF4y2Ba我gydF4y2Ba,神经网络gydF4y2Ba |
Heydari等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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(gydF4y2Ba | ), 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gydF4y2BajgydF4y2Ba、火星gydF4y2BakgydF4y2Ba, svm, nngydF4y2Ba |
Chen等[gydF4y2Ba | ), 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gydF4y2BalgydF4y2Ba)gydF4y2Ba |
Dugan等[gydF4y2Ba | ), 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 (bngydF4y2BangydF4y2Ba)gydF4y2Ba |
Nau等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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 | GBgydF4y2BaogydF4y2Ba |
Hinojosa等[gydF4y2Ba | ), 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 [gydF4y2Ba | ), 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(CNNgydF4y2BapgydF4y2Ba)gydF4y2Ba |
Wang等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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gydF4y2BargydF4y2Ba,请gydF4y2Ba年代gydF4y2Ba, gb, rf, lmgydF4y2BatgydF4y2Ba |
Hammond等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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, pcagydF4y2BaugydF4y2Ba, rf, nngydF4y2Ba |
Scheinker等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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gydF4y2BavgydF4y2Ba学习gydF4y2Ba |
Dunstan等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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gydF4y2BawgydF4y2Ba |
Park等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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gydF4y2BaxgydF4y2Ba, dt, nn (mlp)gydF4y2Ba |
Delnevo等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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, LSTMgydF4y2BaygydF4y2Ba)gydF4y2Ba |
Rashmi等[gydF4y2Ba | ), 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 [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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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gydF4y2BaAI: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
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)[gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba -gydF4y2Ba ,gydF4y2Ba ], 8例(17%)分析了数字图像数据[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ], 4例(9%)分析文本数据[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]。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
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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 2008年gydF4y2Ba核磁共振成像gydF4y2BabgydF4y2Ba | 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(gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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gydF4y2BacgydF4y2Ba, HCgydF4y2BadgydF4y2Ba、肱三头肌皮褶和腹部厚度gydF4y2Ba | 二进制gydF4y2Ba | 肥胖gydF4y2Ba | 个人gydF4y2Ba |
Kupusinac等[gydF4y2Ba | ), 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gydF4y2BaegydF4y2Ba | 个人gydF4y2Ba |
邵(gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 2016年gydF4y2Ba电子健康档案gydF4y2BafgydF4y2Ba | 表格gydF4y2Ba | 电子健康档案数据gydF4y2Ba | 二进制gydF4y2Ba | 肥胖gydF4y2Ba | 个人gydF4y2Ba |
Seyednasrollah等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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 [gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 2018年gydF4y2BaNHANESgydF4y2BaggydF4y2Ba | 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 2019年gydF4y2Ba2018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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 2020年gydF4y2BaHULAFE的EHRgydF4y2BahgydF4y2Ba | 表格gydF4y2Ba | 32个变量gydF4y2Ba | 二进制gydF4y2Ba | 肥胖的鉴别gydF4y2Ba | 个人gydF4y2Ba |
Dunstan等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 2021年gydF4y2Ba核磁共振成像gydF4y2Ba | 图像gydF4y2Ba | 坐gydF4y2Ba我gydF4y2Ba和增值税gydF4y2BajgydF4y2Ba | 二进制gydF4y2Ba | 腹部脂肪gydF4y2Ba | 个人gydF4y2Ba |
Cheng等[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 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 [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[gydF4y2Ba | ), 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[gydF4y2Ba | ), 2021年gydF4y2BaBMI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gydF4y2BaWHR: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
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[gydF4y2Ba
,gydF4y2Ba ,gydF4y2Ba ],鉴定人体测量学[gydF4y2Ba ]和肥胖的遗传特征[gydF4y2Ba ],并预测儿童的肥胖发病[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba
]。ML模型在处理各种变量类型方面显示出灵活性[gydF4y2Ba ,gydF4y2Ba ]和大型数据集[gydF4y2Ba ]并产生可靠的、可推广的推论[gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ,gydF4y2Ba ],预测精度更高[gydF4y2Ba ,gydF4y2Ba ]。相比之下,Cheng等[gydF4y2Ba 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) [gydF4y2Ba
]和DL [gydF4y2Ba ]。相比之下,Heydari等人[gydF4y2Ba 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[gydF4y2Ba ]和ergn [gydF4y2Ba 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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba | ), 1997年gydF4y2Ba
|
|
Positano等[gydF4y2Ba | ), 2008年gydF4y2Ba
|
|
水系(gydF4y2Ba | ), 2009年gydF4y2Ba
|
|
Yang等[gydF4y2Ba | ), 2009年gydF4y2Ba
|
|
Zhang等[gydF4y2Ba | ), 2009年gydF4y2Ba
|
|
Heydari等[gydF4y2Ba | ), 2012年gydF4y2Ba
|
|
Kupusinac等[gydF4y2Ba | ), 2014年gydF4y2Ba
|
|
邵(gydF4y2Ba | ), 2014年gydF4y2Ba
|
|
Chen等[gydF4y2Ba | ), 2015年gydF4y2Ba
|
|
Dugan等[gydF4y2Ba | ), 2015年gydF4y2Ba
|
|
Nau等[gydF4y2Ba | ), 2015年gydF4y2Ba
|
|
Almeida等[gydF4y2Ba | ), 2016年gydF4y2Ba
|
|
凌仁等[gydF4y2Ba | ), 2016年gydF4y2Ba
|
|
Seyednasrollah等[gydF4y2Ba | ), 2017年gydF4y2Ba
|
|
Hinojosa等[gydF4y2Ba | ), 2018年gydF4y2Ba
|
|
Maharana和Nsoesie [gydF4y2Ba | ), 2018年gydF4y2Ba
|
|
Wang等[gydF4y2Ba | ), 2018年gydF4y2Ba
|
|
Duran等[gydF4y2Ba | ), 2018年gydF4y2Ba
|
|
Gerl等人[gydF4y2Ba | ), 2019年gydF4y2Ba
|
|
Hammond等[gydF4y2Ba | ), 2019年gydF4y2Ba
|
|
Hong等[gydF4y2Ba | ), 2019年gydF4y2Ba
|
|
Ramyaa等[gydF4y2Ba | ), 2019年gydF4y2Ba
|
|
Scheinker等[gydF4y2Ba | ), 2019年gydF4y2Ba
|
|
Shin等[gydF4y2Ba | ), 2019年gydF4y2Ba
|
|
Stephens等[gydF4y2Ba | ), 2019年gydF4y2Ba
|
|
Blanes-Selva等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Dunstan等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Fu等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Kibble等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Park等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Phan等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Taghiyev [gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
肖等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Yao等[gydF4y2Ba | ), 2020年gydF4y2Ba
|
|
Alkutbe等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Bhanu等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Cheng等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Delnevo等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Lee等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Lin等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Pang等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Park等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Rashmi等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Snekhalatha和Sangamithirai [gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Thamrin等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
Zare等[gydF4y2Ba | ), 2021年gydF4y2Ba
|
|
一个gydF4y2BaAI: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gydF4y2BaHC: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gydF4y2BaDT:决策树。gydF4y2Ba
神经网络gydF4y2BaVGI: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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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”[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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)[gydF4y2Ba ]。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[gydF4y2Ba ]。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 [gydF4y2Ba ]。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[gydF4y2Ba
]。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)[gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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。gydF4y2Ba ]。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[gydF4y2Ba ]。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)[gydF4y2Ba ]。有监督机器学习模型主要用于两个任务:分类和回归[gydF4y2Ba ]。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)[gydF4y2Ba
,gydF4y2Ba ]。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[gydF4y2Ba ]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[gydF4y2Ba
]。在模糊聚类中,数据点可能属于多个聚类[gydF4y2Ba ]。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% [gydF4y2Ba ]。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)[gydF4y2Ba ]。Positano等[gydF4y2Ba ]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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。Kibble等[gydF4y2Ba ]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[gydF4y2Ba
]。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[gydF4y2Ba []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[gydF4y2Ba
],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 [gydF4y2Ba ]。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[gydF4y2Ba ]。我们很容易理解这个模型是如何做出预测的。Wang等[gydF4y2Ba 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[gydF4y2Ba ]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[gydF4y2Ba
,gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]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[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[gydF4y2Ba ]。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[gydF4y2Ba 使用逻辑回归来评估各种肥胖风险因素的可预测性。Cheng等[gydF4y2Ba 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。gydF4y2BaNB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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba 基于热成像图像,使用NB对儿童肥胖进行分类。Thamrin等[gydF4y2Ba 采用NB预测印度尼西亚健康调查数据中的成人肥胖[gydF4y2Ba ]。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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]利用KNN预测基于单核苷酸多态性特征的肥胖风险。Ramyaa等[gydF4y2Ba 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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。许多核函数,如高斯径向基,sigmoid,和多项式核,可以选择。Wang等[gydF4y2Ba ]利用SVM基于单核苷酸多态性特征预测肥胖风险。Ramyaa等[gydF4y2Ba ]运用支持向量机,利用身体活动和饮食数据预测体重。gydF4y2BaDT算法gydF4y2Ba
dt是用于分类和回归任务的非参数监督学习方法[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba 使用DTs来预测肥胖和其他15种合并症。Taghiyev等[gydF4y2Ba 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[gydF4y2Ba
]。有各种各样的集成方法,如装袋、粘贴、增强和堆叠[gydF4y2Ba ]。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[gydF4y2Ba ]。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)[gydF4y2Ba ]。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[gydF4y2Ba ]。使用RF模型,Hinojosa等[gydF4y2Ba 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[gydF4y2Ba 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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。XGBoost的一些缺点包括缺乏可解释性和容易过度拟合。Pang等[gydF4y2Ba 使用XGBoost来预测基于电子健康记录的早期儿童肥胖。Alkutbe等[gydF4y2Ba 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[gydF4y2Ba
,gydF4y2Ba ]。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[gydF4y2Ba ]。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(gydF4y2Ba ]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[gydF4y2Ba
]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。公园和艾丁顿街[gydF4y2Ba 使用MLP来识别糖尿病风险升高的个体。Heydari等[gydF4y2Ba 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[gydF4y2Ba
,gydF4y2Ba ]。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。gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba
];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)[gydF4y2Ba ]。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[gydF4y2Ba ]。gydF4y2BaMaharana和Nsoesie [gydF4y2Ba
]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[gydF4y2Ba 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[gydF4y2Ba ]应用U-Net模型从MRI数据中识别脂肪组织。Snekhalatha和Sangamithirai [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[gydF4y2Ba
]。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[gydF4y2Ba ,gydF4y2Ba ]。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)[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba -gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。Stephens等[gydF4y2Ba ]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讨论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)。gydF4y2Ba
-gydF4y2Ba ]。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[gydF4y2Ba ]及性别及年龄组别[gydF4y2Ba ]。不同于BMI, BMIgydF4y2BazgydF4y2Ba分数根据性别和年龄差异进行调整[gydF4y2Ba ]。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。[gydF4y2Ba ,gydF4y2Ba ]。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。[gydF4y2Ba ]。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[gydF4y2Ba
-gydF4y2Ba ]。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[gydF4y2Ba ,gydF4y2Ba ]。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。[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。gydF4y2BaHuman-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[gydF4y2Ba
,gydF4y2Ba ]。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[gydF4y2Ba ,gydF4y2Ba ]。人在环(HITL)是一种需要人类互动的人工智能模型[gydF4y2Ba ,gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba -gydF4y2Ba ]。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[gydF4y2Ba ]。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[gydF4y2Ba ]。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
gydF4y2BaPubMed中使用的搜索算法。gydF4y2Ba
DOC文件,12 KBgydF4y2Ba参考文献gydF4y2Ba
- 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
缩写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
版权gydF4y2Ba©安若鹏,沈静,肖云雨。原载于医学互联网研究杂志(//www.mybigtv.com), 2022年12月7日。gydF4y2Ba
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