机器学习论文-计算机应用技术论文-计算机论文.pdfVIP

机器学习论文-计算机应用技术论文-计算机

论文

——文章均为WORD文档，下载后可直接编辑使用亦可打印——

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼

近论、凸分析、算法复杂度理论等多门学科。它是人工智能核心，是

使计算机具有智能的根本途径。下面我们就为大家介绍几篇关于机器

学习论文范文，供给大家参考。

机器学习论文范文第一篇：机器学习算法在脑卒中诊治中的应用

现状及展望

作者：武胜勇何倩郭轶斌吴骋

作者单位：海军军医大学卫生勤务学系军事卫生统计学教研

室

世界卫生组织统计表明，目前脑卒中已在全球原因中跃升至

第二位[1].据美国心脏协会（AmericanHeartAssociation,AHA）统计，

在美国，脑卒中是的第五大原因，每年有79.5万美国人经历一次新

的或复发性脑卒中[2].而在中国，脑血管疾病已成为排名第三的原因，

对脑卒中防治的重要性已成为业内共识[3].脑卒中发病的原因涉及先

天遗传因素、后天影响因素[4]等，同时也受诸多不可控的影响，故

其发病过程具有较大的异质性[5].因此，迫切需要在脑卒中的预防和

治疗过程中，通过简化医疗操作过程和改进诊疗技术来解决其治疗过

程中产生的诸多复杂问题，降低不断上升的医疗成本[6,7].

近年来随着生物医学研究的发展，对于脑卒中的研究日益深

入，在基于组学数据[8,9]、实时风险预测等方面的研究对统计学工具

的要求不断提高。传统统计学方法对这些高维、海量、结构复杂的大

数据集分析效果并不理想，同时面对真实世界中取样异质性低、缺失

值多、复杂程度高等问题，也难以找到合适的处理方式[10].机器学习

（machinelearning,ML）主要研究如何使计算机通过实验从数据中学

习，是预测分析的一项主要内容[11],作为传统统计学方法的补充，目

前医学研究中采用机器学习的趋势日益明显。

围绕机器学习在脑卒中研究方面的应用，本文综述了支持向

量机、随机森林及深度学习方法，描述了其主要思想，分析了其优点

和不足，以期对机器学习未来在脑卒中患者诊疗中的应用起到一定助

力作用。

机器学习算法与传统预测模型的比较

由于脑卒中发病位置的特殊性，导致其对身体各个部位的影

响范围、程度都远超其他疾病，故即使是具有丰富经验的临床医师也

很难对其各方面预后做出准确评估。一般认为初始运动障碍和皮质运

动系统缺陷较少的患者治疗结束后可能有更好的运动能力，在实际预

后评估中，这些普遍被接受的相关性并不总是正确[12].因为在脑卒中

患者病情进展中，其影响因素包括各类临床特征、后续治疗甚至患者

发病前后的生活习惯等[13],但由于这类特征数据类型多、数据量大，

使得这些复杂的相互作用很难使用传统模型进行评估。机器学习模型

能够模拟复杂系统的结果，具有传统统计学模型不具有的优势，对比

见表1.

表1传统和机器学习模型比较

鉴于机器学习方法相较传统预测模型的诸多优点，目前研究

已证实了使用机器学习方法预测卒中结局的预后模型能够取得较准

确的结果[14,15].机器学习算法能够帮助医生做出更好的临床决策，为

患者赢得更好的生活质量和预期寿命[16].

常用机器学习算法及其在脑卒中诊治中的应用案例

1.支持向量机

支持向量机（supportvectormachine,SVM）是通过将数据升

维，映射到一个更高维的特征空间里，在高维空间里建立最大间隔的

超平面，通过对支持向量的训练，对特征空间进行划分得到最优超平

面，从而将非线性的分类问题，转变为线性分类的机器学习方法。其

对多变且具有较强时间性的分类问题具有较大优势[17],目前已在医

学领域取得较广泛的应用[18].SVM的主要优势在于其利用核函数向

高维空间进行非线性映射，理论基础较为明确。同时，SVM对数据的

预测主要基于少数支持向量，从而对样本进行筛选，不仅简化了算法，

避免了算法过度复杂可能带来的过拟合风险；同时也可以对训练集中

的样本进行筛选，抓住关键样本，即研究对象的关键特征。

国内张丽娜等，分别通过使用SVM和logistic回归方法对急

性出血性脑卒中早期预后进行预测，并对所建立的模型进行比较，证

实了SVM在灵敏度、特异度、准确率及Youden指数等方面均优于传

统的l