相关实验视频
Updated: Jul 14, 2026

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.1K
深度神经网络 (DNN) 建模用于预测传递方式
Ananya Kuanar1, Abdul Akbar2, Pendyala Sujata3
1Centre for Biotechnology, Siksha O Anusandhan (Deemed to be University), Kalinga Nagar, Ghatikia, Bhubaneswar, Odisha 751003, India.
概括
本研究引入了深度神经网络 (DNN) 模型,以帮助产科医生选择最佳的分娩方法. DNN准确地预测剖腹产或阴道分娩是否更合适,以应对不断上升的剖腹产率.
科学领域:
- 产科和妇科 产科和妇科
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
背景情况:
- 在全球范围内,剖腹产的增长率超过了推值.
- 产科医生往往缺乏精确的工具来选择分娩方式.
- 有信息的分娩决策对于母亲和婴儿的结果至关重要.
研究的目的:
- 开发一个计算机化的决策过程,以选择最佳的交付方法.
- 利用机器学习来预测剖腹产与阴道分娩.
- 帮助临床医生选择最合适的分娩策略.
主要方法:
- 使用h2o包开发了一个深度神经网络 (DNN) 模型.
- 利用了印度东部101名孕妇 (2021年1月至9月) 的数据.
- 用AUC (曲线下的面积) 和KS (科尔摩戈罗夫-斯米尔诺夫) 评分来评估模型的性能.
主要成果:
- 在训练组中,DNN模型实现了高性能,AUC为0.99,KS得分为0.98.
- 预测错误率非常低:剖腹产0.02,阴道分娩0.00.
- 该模型对两个交付结果都显示出强大的预测准确性.
结论:
- 开发的DNN模型显示出在产科临床决策支持方面的巨大潜力.
- 这种方法可以帮助标准化和提高交付方法选择的准确性.
- 实施这些算法可能有助于优化剖腹产率和改善患者护理.

