深度自主监督机器学习算法具有新的特征消除和选择方法,用于基于血液测试的多维健康风险分类

科学领域:

• 生物医学数据分析
• 机器学习在医疗保健中的应用

背景情况:

• 血液检查对于健康查,诊断和监测至关重要.
• 使用深度自主监督机器学习对血液测试数据的自动分析尚未得到充分研究.

研究的目的:

• 从血液测试数据开发和评估深度机器学习算法,用于自动化健康风险分类.
• 提高解释复杂血液检测结果的效率和准确性.

主要方法:

• 提出了新的深度机器学习算法,包括多维自适应特征消除.
• 实现了自我特征权重和先进的特征选择技术.
• 修改了四个不同的机器学习算法用于健康风险分类.

主要成果:

• 开发的算法成功地识别并从血液测试数据中删除了无关的特征.
• 自我重要性权重和特征选择提高了处理数据的信息性.
• 在重度范围内的健康风险得到了准确的分类.

结论:

• 拟议的深度机器学习方法可以从血液测试数据中实现自动和准确的健康风险分类.
• 这些算法在特征选择和权重方面表现出有效性,以获得更好的诊断见解.
• 这项工作为更复杂的临床实验室结果自动解释铺平了道路.