开云app官网登录入口网页版-官方正版

<font color="red">机器</font><font color="red">学习</font>和统计<font color="red">模型</font><font color="red">的</font>差异

机器学习和统计模型的差异

在各种各样的数据科学论坛上这样一个问题经常被问到——机器学习和统计模型的差别是什么？这确实是一个难以回答的问题。考虑到机器学习和统计模型解决问题的相似性，两者的区别似乎仅仅在于数据量和模型建立者的不同。这里有一张覆盖机器学习和统计模型的数据科学维恩图。在这篇文章中，我将尽最大的努力来展示机器学习和统计模型的区别，同时也欢迎业界有经验的朋友对本文进行补充。在我开始之前，让我们

数据工匠 - 机器学习，统计模型 - 2015-11-30

European Radiology：<font color="red">基于</font>x线组学<font color="red">的</font>骨良恶肿瘤<font color="red">的</font><font color="red">机器</font><font color="red">学习</font><font color="red">模型</font>

European Radiology：基于x线组学的骨良恶肿瘤的机器学习模型

放射线组学利用对多种成像特征的提取以描述肿瘤的特征[，可以作为机器学习模型的输入对肿瘤进行分类。

MedSci原创 - 放射组学，骨良恶肿瘤 - 2022-08-13

European Radiology：一种<font color="red">基于</font><font color="red">机器</font><font color="red">学习</font><font color="red">模型</font><font color="red">的</font>颅脑CT个性化剂量评估

European Radiology：一种基于机器学习模型的颅脑CT个性化剂量评估

现阶段，器官和组织剂量估计的 "黄金标准 "是蒙特卡洛（MC）模拟。个性化的，即针对病人、针对设备和针对协议的CT检查的MC模拟提供了确定病人体内辐射剂量准确分布的可能性。

MedSci原创 - 机器学习，颅脑CT - 2022-08-19

JAMA 子刊：<font color="red">基于</font><font color="red">机器</font><font color="red">学习</font><font color="red">的</font>自闭症谱系障碍预测<font color="red">模型</font><font color="red">的</font>有效性

JAMA 子刊：基于机器学习的自闭症谱系障碍预测模型的有效性

这一基于XGBoost的ASD预测模型不仅在识别ASD个体方面表现优异，还展示了较高的泛化能力，能够适应不同的独立验证数据集。

MedSci原创 - 预测因素，自闭症谱系障碍（ASD） - 2024-08-24

<font color="red">机器</font><font color="red">学习</font>——BP神经网络<font color="red">模型</font>

机器学习——BP神经网络模型

机器学习——BP神经网络模型 - medscizl - 2017-05-29

European Radiology：<font color="red">基于</font><font color="red">机器</font><font color="red">学习</font><font color="red">模型</font>和临床决策算法<font color="red">的</font>肾囊性病变<font color="red">的</font>风险分层

European Radiology：基于机器学习模型和临床决策算法的肾囊性病变的风险分层

肾脏囊性病变风险分层的标准放射学标准，即Bosniak分类系统，于1986年引入，旨在将复杂肾脏囊肿的描述标准化，并为区分非手术性和手术性囊性病变提供分类指南。

MedSci原创 - 肾囊肿，机器学习模型 - 2022-06-04

European Radiology：<font color="red">基于</font>多参数MRI<font color="red">的</font><font color="red">机器</font><font color="red">学习</font><font color="red">模型</font>预测脑膜瘤患者WHO分级

European Radiology：基于多参数MRI的机器学习模型预测脑膜瘤患者WHO分级

放射组学利用强大的计算机图像处理能力和多种大数据挖掘方法提取多维特征，尽管这些特征很难从视觉上获得，但保留了与研究相关的信息，如数字加密医学图像(CT、MRI和PET)中的一阶、形状、纹理特征。

MedSci原创 - 脑膜瘤，机器学习 - 2024-07-23

SVN：华山郁金泰：<font color="red">基于</font><font color="red">机器</font><font color="red">学习</font><font color="red">的</font><font color="red">模型</font>预测未来10年<font color="red">的</font>心血管疾病风险

SVN：华山郁金泰：基于机器学习的模型预测未来10年的心血管疾病风险

基于ML的分类模型可以从潜在的高危CVD参与者中学习表达性的表征，这些参与者可能从早期的临床决策中受益。

MedSci原创 - 心血管病，机器学习模型 - 2023-05-06

European Radiology：<font color="red">基于</font><font color="red">机器</font><font color="red">学习</font><font color="red">的</font>髓母细胞瘤图像自动分割及在线生存预测<font color="red">模型</font>

European Radiology：基于机器学习的髓母细胞瘤图像自动分割及在线生存预测模型

一些关于肿瘤生存分析的研究报道了一些纹理特征，如均匀性和熵，可以用于患者风险分层。然而，使用少量或单一成像特征存在局限性，多特征标记物组合被认为更为合理。

MedSci原创 - 髓母细胞瘤 - 2024-08-15

SVN|复旦大学团队：开发<font color="red">基于</font><font color="red">机器</font><font color="red">学习</font><font color="red">的</font>心血管疾病 10 年风险预测<font color="red">模型</font>

SVN|复旦大学团队：开发基于机器学习的心血管疾病 10 年风险预测模型

研究基于 ML 的分类模型可以从潜在的心血管疾病高危人群中学习到表达性的表征，这些人群可能会受益于更早的临床决策。

MedSci原创 - 心血管风险，机器学习模型 - 2024-01-02

JNM：利用<font color="red">机器</font><font color="red">学习</font>开发住院患者<font color="red">的</font>跌倒预测<font color="red">模型</font>

JNM：利用机器学习开发住院患者的跌倒预测模型

包含它的模型比不包含它的模型更好地检测到跌倒的风险。

MedSci原创 - 机器学习，跌倒预测模型 - 2023-04-29

PLAST RECONSTR SURG：<font color="red">基于</font>监督式<font color="red">机器</font><font color="red">学习</font><font color="red">的</font>新型预测<font color="red">模型</font>用于术后游离皮瓣监测<font color="red">的</font>可靠性

PLAST RECONSTR SURG：基于监督式机器学习的新型预测模型用于术后游离皮瓣监测的可靠性

机器学习模型可以区分术后游离皮瓣循环类型。

MedSci原创 - 机器学习，游离皮瓣 - 2023-11-12

JNS：应用<font color="red">机器</font><font color="red">学习</font>构建肺癌与环境激素<font color="red">的</font>关联<font color="red">模型</font>

JNS：应用机器学习构建肺癌与环境激素的关联模型

肺癌护理评估缺乏对环境激素检测与疾病之间关系的模型，影响对肺癌风险的预测。研究提出重建肺癌护理评估，以综合评价危险因素。

MedSci原创 - 肺癌，机器学习，环境激素 - 2024-07-11

<font color="red">机器</font><font color="red">学习</font><font color="red">的</font>明天——迁移<font color="red">学习</font>

机器学习的明天——迁移学习

DeepMind创造的AlphaGo让人为之赞叹，让柯洁为之疯狂。而背后，从机器学习的角度，充分证明了深度强化学习和大数据的重要意义。DeepMind就是将深度学习应用到强化学习的范例，DeepMind把端到端的深度学习应用在强化学习上，使强化学习能够应付大数据，因此可以在围棋上把人类完全击倒，它做到这样是通过完全的自学习、自优化，然后一直迭代从科学的角度看AlphaGo到底有没有弱

CSDN - 机器学习，迁移学习 - 2018-02-05

NAR：伯晓晨课题组<font color="red">基于</font>可解释<font color="red">机器</font><font color="red">学习</font><font color="red">模型</font>，探索转录因子调控<font color="red">的</font>发育和演化规律

NAR：伯晓晨课题组基于可解释机器学习模型，探索转录因子调控的发育和演化规律

随着未来更多物种胚胎Hi-C数据的积累，TFCRs在跨物种早期胚胎中的转录调控机制及其在基因组三维构象的作用有待进行更详细的研究。

测序中国 - 转录因子，胚胎发育 - 2024-06-10

内科

外科

专科科室

热点

按科室浏览

临床工具

科研工具

其他工具

科研数智化

真实世界研究解决方案

数字化学术传播解决方案

其它