心肌灌注成像比较压力的预后价值由传统和碲化镉锌单光子发射计算机断层扫描通过机器学习的方法

文摘

我们比较心肌灌注显像(MPI)的预后价值的传统——(C)单光子发射计算机断层扫描(SPECT)和cadmium-zinc-telluride——(CZT)患者SPECT在一群怀疑或已知的冠状动脉疾病(CAD)使用机器学习算法(ML)。共有453个连续的病人接受了MPI C-SPECT和CZT-SPECT压力。全因死亡的结果是一个复合终点,心脏死亡,非致命性心肌梗死、冠状血管再生程序哪个先发生。通过执行毫升分析随机森林(RF)的实现 - - - - - -最近的邻居(资讯)算法证明CZT-SPECT精度大于C-SPECT探测CAD。两种算法,CZT-SPECT的敏感性(96%,RF为60%,资讯是比C-SPECT资讯(RF为88%和53%)。初步进行单变量分析分别通过Mann-Whitney测试每个相机的特性来理解哪些可以区分病人将经历一个从那些不会副反应。这时,一个机器学习的分析是由使用Matlab (v . 2019 b)。树,资讯,支持向量机(SVM),朴素贝叶斯、和RF实施两次:首先,分析了原有数据集;然后,因为数据集是不平衡(病人不良反应事件比其他人低),分析了平衡后再通过合成少数类过采样技术。根据资讯和SVM使用和不平衡类、精度(值= 0.02,值= 0.01)和回忆(值= 0.001,CZT-SPECT的价值= 0.03)高于C-SPECT获得的统计学意义。毫升的方法表明,尽管压力MPI的预后价值C-SPECT CZT-SPECT可比,CZT-SPECT似乎有更高的精度和召回。

1。介绍

危险分层的无创性心脏成像已经成为越来越重要的优化管理和结果患者的冠状动脉疾病(CAD) (1]。先前的研究表明,压力单光子发射计算机断层扫描(SPECT)心肌灌注显像(MPI)是使用最广泛的核的无创性评估心脏成像技术的心脏疾病,包括预后和选择最适合患者的治疗策略的CAD (2]。(传统的)- C - SPECT系统利用碘化钠晶体和parallel-hole准直仪。这种方法提出了一些技术限制;例如,我们可以提到扩展成像时间、低空间分辨率、大剂量的放射性药物(3]。最近,这些限制已经克服了γ相机的介绍半导体cadmium-zinc-telluride (CZT)允许直接辐射转换成电信号,将改善图像精度和采集时间4,5]。

先前的研究表明,CZT-SPECT发现可用于危险分层患者称为MPI的怀疑或已知CAD。利马et al。6证明CZT-SPECT和C-SPECT提供类似的预后结果,患病率较低硬事件患者的正常扫描(6]。横田et al。7)表明,正常的预后价值片面强调CZT-SPECT至少可比,甚至可能比正常C-SPECT [7]。

这些生物医学技术可以产生大的数据量,现在,不同的技术被用来从数据获取尽可能多的信息和信号(8- - - - - -12]。引入机器学习(ML)在医疗保健行业可以帮助临床医生在诊断和治疗规划,以及在资源管理13,14]。几项研究已经进行测试CAD使用ML算法检测和预测病人的结果(15- - - - - -18]。一个创新的方法是使用毫升模型比较生物医学技术的性能,和评估性能的诊断能力已经被报道(19,20.),展示CZT-SPECT检测CAD有更好的能力。我们所知,CZT-SPECT的预后价值和C-SPECT调查至今尚未通过ML技术。

因此,本研究的目的如下:(1)评估的预后价值C-SPECT并使用ML-based CZT-SPECT疑似或已知CAD患者的方法(2)比较这些生物医学设备通过ML的预测性能

这ML-in这种特殊情况下的使用,旨在主持人两个生物医学technologies-represents,作者的最好的知识,在文学的第一个尝试。

2。材料和方法

2.1。病人

2016年2月到2017年5月,共有453个连续的患者被怀疑或已知CAD提交的咨询医师强调MPI的评估心肌缺血。总人口、病史和心脏风险因素收集。先前历史的心肌梗死患者,血管再生程序,或诊断动脉粥样硬化冠状动脉疾病被认为是已知CAD。我们的机构审查委员会批准了这项研究(协议编号110/17),和所有患者知情同意。

2.2。研究协议

所有患者提交压力锝99 m sestamibi-gated SPECT MPI通过体育锻炼或双嘧达莫压力测试,根据建议欧洲核医学协会和欧洲心脏病学会(21]。协议是本文是一样的使用在我们先前的研究[20.]。所有的病人都接受了MPI C-SPECT和CZT-SPECT系统根据随机方案1:1比例确定相机是用于第一次收购。C-SPECT,双头旋转γ相机(E。凸轮,西门子医疗系统,霍夫曼地产,使用美国IL)。采集时间是20分钟的压力和其他图像。CZT-SPECT (D-SPECT频谱动态,该撒利亚,以色列),记录了使用9调皮捣蛋的CZT晶体检波器列安装垂直跨越90年的几何学。扫描时间低于10分钟压力和低于5分钟休息成像。

一个自动化的软件程序(e-soft、2.5中的/每秒,雪松-西奈医疗中心,洛杉矶,CA)是用来计算左心室(LV)卷和射血分数(EF)和分数将灌注缺陷的程度和严重性,使用一个标准的17个心肌区域的分割。定量缺陷的程度和等级确定基于性别正常的限制而增加17段的得分从0(正常为缺席灌注4)压力的图片让我们计算总结压力得分(SSS)。poststress LVEF大于45%,瑞士低于3被认为是正常的。

2.3。随访数据

后续调查问卷收集通过调用所有患者通过主考人失明患者的测试结果。结果评估端点是全因死亡、心脏死亡、非致死性心肌梗死、冠状血管再生程序哪个先发生。随后心脏死亡发生急性心肌梗死,充血性心力衰竭、心脏介入手术相关的。心肌梗死时记录胸痛或相关症状复杂,积极的心脏生物标记,或典型的心电图变化报道(22]。后续的长度决定根据去年医疗访问的日期。

2.4。统计分析

统计分析通过使用IBM SPSS统计软件(26),测试数据分布和执行统计测试。这个过程分别进行了C-SPECT的参数和CZT-SPECT。首先,Kolmogorov-Smirnov测试进行测试数据正常,为了理解测试使用的类型(参数或非参数):特别是,正常测试参数,两组,对相机类型。随后,小动物——一张长有 - - - - - -测试执行参数正态分布,而Mann-Whitney测试执行其余的参数,和两个测试进行了考虑显著性水平为0.05。使用ML算法后,采用卡方检验,以比较不同模型的表演,训练与C-SPECT CZT-SPECT数据,和理解如果有统计学差异。结果和讨论所示的“结果”和“讨论”部分,分别。

2.5。机器学习算法

使用分类学习的ML的分析是由应用程序,用Matlab提供的(v . 2019 b),火车模型分类数据使用监督毫升。10倍crossvalidation被用来训练和测试模型;数据集被分为10组数据,9被用于训练模型和一组测试;过程是重复10次,评价指标计算的平均获得的所有这些[23]。文献中所示的基于树的方法有伟大的结果不仅在cardiologic上下文的情况下(如诊断(24- - - - - -26],预后[27,28生物医学技术[],和比较19,20.),但也在其他医学专业(29日- - - - - -31日]。分类树是一种简单而有效的模型组成的节点,树枝和树叶:每个节点有一个规则,数据是沿着几个分支路由而树叶代表系统的输出(32]。

随机森林算法(RF)模型是整体的一部分,并允许一起火车一定数量的使用引导聚合技术的决策树;这个模型结果有更好的精度比单一弱学习者和减少过度拟合的机会33]。 - - - - - -最近邻(资讯)算法是一个基于距离的方法。事实上,加入一个类的一个例子是由接近其他已知类的例子。关键的方面是选择的价值邻居的数量考虑的决定(34]。支持向量机(SVM)是一种分类模型,该模型是基于发现最好的表面,允许你单独的两类。特别是,该算法试图最大化类之间的边缘,分开他们的空间,就这样,基地学习最困难的例子,减少离群值的影响(35]。朴素贝叶斯(NB)也用于本研究;它是一个著名的算法基于先验概率定理(36),从而成为一个完全不同的算法相比的。这些算法被用来预测不良事件通过使用两个摄像头的功能,然后,通过统计测试评价指标比较比例为了了解哪一个最好的能力来检测不良事件。

目前的数据集是不平衡的;事实上,患者不良事件是远远低于那些没有事件。在文献中,出现的问题,在训练毫升模型使用不平衡数据是众所周知的(37,38]。要处理这个问题,少数合成过采样技术(打)39]使用;过采样技术生成新的人工数据少数类的,那些已经存在的基础上,允许重新平衡数据集。在那之后,模型的训练阶段是重复。这可以被认为是公平的,因为它将使用相机允许一个公平的比较;此外,该研究的目的是比较C-SPECT和CZT-SPECT而不是构建最好的预后模型。

评估模型的性能,一些指标(40使用:精度,灵敏度或召回,特异性和精度。此外,曲线下面积(AUC)接受者操作特征(ROC)计算,因为它是一个很好的方法来评估模型的性能(41]。此外,特征选择过程进行了解哪些参数是更重要的目标变量的引用。我们测试了14个特征:灌注参数SSS,总结其他分数(SRS),总结差异分数(SDS),和总灌注缺陷(兼总经理)和功能参数收缩期壁运动(SWM),收缩压壁增厚(SWT),舒张末期容积(类别),收缩末期容积(ESV),和EF。特别是,使用了两种算法:最大Relevance-Minimum冗余(MRMR)选择最相关的变量到目的地通过计算参数的互信息(42)和卡方独立性测试(43]。

3所示。结果

3.1。病人特点和结果

病人的临床特征如表所示1。研究小组由204疑似CAD患者(45%)和249(55%)与已知CAD。平均随访 。在随访中,41事件发生。事件在1例心脏死亡,非致命性心肌梗死5,冠状血管再生过程在20和15全因死亡的。

3.2。统计分析

第一步是评估可能的事件和患者之间的正态分布特性由摄像头,没有事件评估患者应用Kolmogorov-Smirnov测试。测试表明,在C-SPECT的特点,只有压力和其他EF (值> 0.05)显示两组正态分布;同样,没有CZT-SPECT导致有一个高斯分布的特性。因此, - - - - - -测试仅用于压力和其他由C-SPECT EF,虽然Mann-Whitney所有其他参数进行了测试,结果被发表在表2。

3.3。机器学习分析

毫升分析分开进行,通过使用10倍crossvalidation C-SPECT和CZT-SPECT之前和之后都击杀程序为了比较相机的性能和数据集的增大。评价指标对模型没有打报告在表3。ML算法中用于分析,射频达到最高价值的准确性(分别为90.3%和90.1%,C-SPECT和CZT-SPECT)和回忆(分别为98.5%和99.0%,C-SPECT和CZT-SPECT),但它呈现特异性的最小值(分别为7.3%和0%,C-SPECT和CZT-SPECT),显示低检测不良未来事件的能力。尽管实现这些表演,两个摄像头没有统计上显著的差异,这也验证了树,支持向量机,NB模型。资讯模型的精度和召回低于射频两摄像机(74.4%和80.8%的准确性,召回78.6%和87.4%,分别为C-SPECT和CZT-SPECT)但更高的特异性(CZT-SPECT,范围从14.6%到31.7% C-SPECT)。然而,准确性和不良事件的能力检测没有统计学意义的CZT相机(的准确性和价值= 0.021回忆的价值= 0.001)。这些结果的影响不平衡数据集的性质;事实上,尽管精度和召回很高,他们的影响引入的偏见存在的多数类科目-预后,也验证了模型的低AUCROC值(从0.53到0.60 CZT-SPECT C-SPECT和从0.50到0.61)。为了克服这个问题,数据集被引入人工平衡少数类样本(未来患者不良事件),生成的击杀。报告的评价度量值表4。分类器的整体性能显著增加平衡数据集,尤其是特异性和AUCROC而言。考虑到C-SPECT,射频达到最高的精度值(93.4%),回忆(90.3%),和AUCROC(0.99),而支持向量机和资讯达到更高特异性的值(分别为95.0%和99.8%)。关于CZT相机模型性能,支持向量机分类器达到最高的精度值(94.5%),回忆(92.2%)和特异性(96.8%)。此外,SVM结果有统计学意义的表演:精度和召回显示统计学意义的CZT-camera (的准确性和价值= 0.016回忆值= 0.028),同时,尽管CZT-SPECT显示更高的能力检测不良事件,SVM的特异性不存在统计学意义(值= 0.279)。

4所示。讨论

据我们所知,这是第一个研究使用毫升方法来比较两种技术用于临床常规的预后价值实践(C-SPECT和CZT-SPECT)患者的怀疑或已知CAD。事实上,ML分析的目的不是创造最好的模型来预测不良事件,因为可能,就不可能考虑到高度不平衡数据集的性质。目的是测试的可行性相机在预测未来不良事件为了理解可以的更好的性能。

虽然类似的评估已经完成,毫升技术从未被使用。利马et al。6MPI的预后价值相比)使用一个超速的协议和低辐射CZT-SPECT和C-SPECT不同组的病人。他们得出的结论是,新协议的MPI CZT-SPECT显示类似的预后结果获得的专用心脏Na-I SPECT相机,患病率较低的事件患者的正常扫描。同样,横田et al。7]相比正常患者的预后片面强调CZT-SPECT和C-SPECT。他们表明,正常的预后价值片面强调CZT-SPECT至少可比,甚至可能比正常片面强调C-SPECT。在最近的一项研究中,刘等人。44]表明,超低剂量使用CZT-SPECT铊灌注成像提供了良好的预后结果,与一个更严重的MPI异常患者的预后。

然而,毫升最近用于生物医学技术的比较。在先前的研究使用毫升技术比较的诊断性能C-SPECT CZT-SPECT,我们强调算法训练与CZT-SPECT数据如何实现更好的准确性,回忆,和特异性比C-SPECT [19,20.]。关于毫升模型,观察到,他们通常精度高和回忆。特别是,精度(值= 0.021)和回忆(值= 0.001)显著CZT-SPECT通过资讯算法。这个结果将表明CZT-SPECT更好的性能检测不良事件的缺失。加强不平衡数据集上的结果,一个重新平衡的过程数据集应用使用击打和重复所有的ML分析。正如预期的那样,所有模型的性能明显改善对相机后再平衡。然而,支持向量机显示所有度量值之间的显著区别:准确性、回忆,特异性更高的价值比C-SPECT CZT-SPECT。特别是,精度和召回显著支持CZT-SPECT(精度值= 0.016,召回值= 0.028)。因此,即使考虑到平衡数据,CZT-SPECT证明达到更好的精度和能力在预测不良事件的缺失。很可能影响患者的不良事件有一个特定模式的输入变量允许基于实例的算法(资讯和SVM)捕获结果比基于树和概率算法。至于我们的模型的计算成本和运行时,没有具体的问题,因为所有的模型是一个简单的工作流没有应用重预处理算法(如向后或向前特征选择方法)。事实上,所有的模型需要运行不到一分钟。

这部小说CZT技术为患者提供了几个优势,降低辐射剂量和成像时间。此外,更高的能源和内在空间分辨率CZT探测器导致较低的工件和需要其他成像,由此减少放射性药物剂量使核MPI是更具成本效益的45]。

4.1。局限性和未来的发展

这项研究有一些局限性,需要考虑。数据集是强烈不平衡,损害病人的不良事件。它影响了模型的学习过程,将偏差引入评价指标。击打技术已经应用于平衡数据集和克服这些问题。然而,样品引入人工,代表另一个限制。然而,本文的目的不是评价模型的性能,以创建一个工具为临床支持,但比较两种技术的性能;因此,限制过采样过程引入的衰减。对于未来的发展,这将是必要的,试图平衡数据集与原始数据而不是人工样品为了增加的可靠性评价指标。

5。结论

本研究中引入的新奇的使用监督学习技术比较C-SPECT和CZT-SPECT的预后价值。获得的结果表明,尽管两个系统的预后价值相当;CZT-SPECT似乎有更高的精度和召回。

数据可用性

数据集用于支持本研究的发现没有可用的隐私政策。

伦理批准

所有程序中执行研究涉及人类受试者按照道德标准机构和/或国家研究委员会1964年赫尔辛基宣言及其后来的修正案或类似的道德标准。

的利益冲突

作者宣称没有利益冲突。

引用

1. l . j . Shaw和a . e . Iskandrian“封闭的心肌灌注SPECT的预后价值,”核心脏病学杂志》,11卷,不。2、171 - 185年,2004页。视图:出版商的网站|谷歌学术搜索
2. w·Acampa m . Petretta l·伊万格丽斯塔et al .,“压力晚期心脏单光子发射计算机断层成像在冠状动脉搭桥手术风险分层和时间估计心脏事件,“胸心血管外科杂志》上,卷136,不。1,46-51,2008页。视图:出版商的网站|谷歌学术搜索
3. h . o .愤怒,“与多路准直仪闪光照相机”,核心脏病学杂志》5卷,第531 - 515页,1964年。视图:谷歌学术搜索
4. t . Sharir本哈伊姆,k . Merzon et al .,“高速心肌灌注成像:最初的临床与传统双检测器愤怒相机成像相比,“JACC:心血管成像,1卷,不。2、156 - 163年,2008页。视图:出版商的网站|谷歌学术搜索
5. d·s·伯曼x Kang b Tamarappoo et al .,“压力铊- 201 /休息锝99 m序列高速双同位素心肌灌注成像,”JACC美国心脏病学会的期刊,卷2,不。3、273 - 282年,2009页。视图:出版商的网站|谷歌学术搜索
6. r·利马t . Peclat t·苏亚雷斯c·费雷拉,a·c·苏萨和g . Camargo”比较的预后价值使用CZT-SPECT心肌灌注成像与传统愤怒相机镜头,“核心脏病学杂志》,24卷,不。1,第251 - 245页,2017。视图:出版商的网站|谷歌学术搜索
7. 横田,m . Mouden j.p. Ottervanger et al .,“预后价值的正常心肌灌注成像片面强调:比较传统和CZT-based SPECT,”欧洲核医学与分子影像杂志》上,43卷,不。2、296 - 301年,2016页。视图:出版商的网站|谷歌学术搜索
8. p . Bifulco m . Cesarelli l . Loffredo m .桑松,和m . Bracale“眼动基线振荡和可变性的眼睛位置在先天性眼球震颤,凹形”Ophthalmologica届卡塞尔文献展,卷107,不。2、131 - 136年,2003页。视图:出版商的网站|谷歌学术搜索
9. m·罗马诺·f·克莱门特,g . D’addio a . m . Ponsiglione g . Improta和m . Cesarelli”象征在胎儿监测、动态和频率分析”《IEEE国际研讨会医疗测量和应用程序(MeMeA),2014年。视图:谷歌学术搜索
10. m . Cesarelli a . Fratini p . Bifulco a La Gatta m . Romano和g·帕斯卡列洛抱怨,“分析和肌肉运动时全身振动,造型”Eurasip在信号处理的发展》杂志上,卷2010,不。1,2009。视图:出版商的网站|谷歌学术搜索
11. 诉Onesto l . Cancedda m . l . Coluccio et al .,“Nano-topography提高通信在神经细胞网络,”科学报告,7卷,不。1,2017。视图:出版商的网站|谷歌学术搜索
12. m . Recenti c里恰尔迪、k·埃德蒙兹,m . k . Gislason和p . Gargiulo“机器学习预测系统基于radiodensitometric分布从大腿CT图像,”欧洲平移肌肉学杂志》上,30卷,不。1,第124 - 121页,2020。视图:出版商的网站|谷歌学术搜索
13. g h . c . Koh和棕褐色,“医疗数据挖掘应用程序”,卫生信息学和管理杂志》上,19卷,第72 - 64页,2005年。视图:谷歌学术搜索
14. j .华林、c·林德沃和r . Umeton”自动化机器学习:审查的最先进的医疗保健和机会,”人工智能在医学上,第104卷,第101822页,2020年。视图:出版商的网站|谷歌学术搜索
15. 林a, m . Kolossvary m . Motwani et al .,“人工智能在心血管危险分层成像在冠状动脉疾病,”放射学:心胸成像,3卷,不。1,2021。视图:出版商的网站|谷歌学术搜索
16. a . Akella和美国Akella机器学习算法预测冠状动脉疾病:努力开源解决方案,“未来科学OA,7卷,不。6、2021。视图:出版商的网站|谷歌学术搜索
17. m . Abdar w . Ksiazek r . Archarya诉Makarenkov r . Tan和p . Plawiak”一种新的机器学习技术的准确诊断冠状动脉疾病,”计算机在生物医学方法和项目,第179卷,第104992页,2019年。视图:出版商的网站|谷歌学术搜索
18. j . Betancur y Otaki, m . Motwani et al .,“预后的价值结合临床使用机器学习和心肌灌注成像数据,”JACC美国心脏病学会的期刊,11卷,不。7,1000 - 1009年,2018页。视图:出版商的网站|谷歌学术搜索
19. t . Mannarino r . Assante c里恰尔迪et al .,“一对一的诊断精度的比较片面强调心肌灌注成像与传统和碲化镉锌单光子发射计算机断层扫描与疑似冠心病妇女,”核心脏病学杂志》,20卷,2021年。视图:出版商的网站|谷歌学术搜索
20. 诉坎托尼,r·格林,c里恰尔迪et al .,“基于机器学习的方法直接比较的诊断准确性由传统和碲化镉锌SPECT心肌灌注成像,”核心脏病学杂志》18卷,2020。视图:出版商的网站|谷歌学术搜索
21. 工作组成员,g . Montalescot美国Sechtem et al .,“2013年ESC稳定冠状动脉疾病管理的指导方针,“欧洲核医学与分子影像杂志》上,34卷,不。38岁,2949 - 3003年,2013页。视图:出版商的网站|谷歌学术搜索
22. k . Thygesen j·s·阿尔珀特,a . s .贾菲·m·l·西蒙风b . r . Chaitman和h·d·白,“第三世界心肌梗死的定义,”循环,卷126,不。16,2020 - 2035年,2012页。视图:出版商的网站|谷歌学术搜索
23. r . Kohavi”,交叉验证的研究和引导精度估计和模型选择”Ijcai,IJCAI,展出14卷,没有。2、1137 - 1145年,1995页。视图:谷歌学术搜索
24. c·里恰尔迪、诉坎托尼,g . Improta et al .,“应用数据挖掘在一群意大利主题进行心肌灌注成像在学术医疗中心,“计算机在生物医学方法和项目,第189卷,第105343页,2020年。视图:出版商的网站|谷歌学术搜索
25. 赵c . Wang y, b .金et al .,“开发和验证预测模型的使用机器学习冠状动脉疾病,”心血管医学前沿,8卷,2021年。视图:出版商的网站|谷歌学术搜索
26. c·里恰尔迪、a·s·瓦伦特k·埃德蒙et al .,“线性判别分析和主成分分析预测冠状动脉疾病,”卫生信息学杂志,26卷,不。3、2181 - 2192年,2020页。视图:出版商的网站|谷歌学术搜索
27. c·里恰尔迪、诉坎托尼,r·格林,g . Improta和m . Cesarelli”有可能预测心脏死亡吗?“在地中海会议医学和生物工程和计算施普林格,页847 - 854年,2019年。视图:谷歌学术搜索
28. c·里恰尔迪、k·j·埃德蒙兹,m . Recenti et al .,“心血管风险评估从大腿CT图片:一个基于树的机器学习方法使用radiodensitometric分布,“科学报告,10卷,不。1,2020。视图:出版商的网站|谷歌学术搜索
29. a . Stanzione c里恰尔迪、r . Cuocolo et al .,”预测的MRI radiomics Fuhrman年级透明细胞肾细胞癌:一种机器学习的探索性研究,“数码影像杂志,33卷,不。4、879 - 887年,2020页。视图:出版商的网站|谷歌学术搜索
30. c·里恰尔迪、r . Cuocolo g . Cesarelli et al .,“区分功能性和非功能性垂体macroadenomas机器学习分析,“论文发表在IFMBE程序卷,76年,第1829 - 1822页,2020年。视图:谷歌学术搜索
31. d . Scrutinio c里恰尔迪、l . Donisi et al .,“机器学习来预测死亡率在康复后患者严重中风,”科学报告,10卷,不。1、1 - 10,2020页。视图:出版商的网站|谷歌学术搜索
32. l . Breiman j·弗里德曼,r . Olshen和c . j .石头,分类和回归树1983年,IJCAI,展出。
33. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
34. m . s .张x Li宗庆后,x,和r·王,“有效的资讯分类与不同数量的最近的邻居,”IEEE神经网络和学习系统卷,29号5,1774 - 1785年,2018页。视图:出版商的网站|谷歌学术搜索
35. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
36. 我优秀”,朴素贝叶斯分类器的一个实证研究,”在人工智能中IJCAI 2001研讨会上展出的实证方法,3卷,不。22日,41-46,2001页。视图:谷歌学术搜索
37. n v·乔:Japkowicz, a . Kotcz“编辑”,特殊利益集团数据的知识发现》第六卷,没有。1、1 - 6,2004页。视图:出版商的网站|谷歌学术搜索
38. s . Kotsiantis d Kanellopoulos, p . Pintelas“处理不平衡数据集:一个评论,”武功在计算机科学与工程国际交易,30卷,2006年。视图:谷歌学术搜索
39. n . v .拉k·w·鲍耶l . o .大厅,和w·p·Kegelmeyer“击杀:少数over-sampling合成技术,”人工智能研究杂志》上》16卷,第357 - 321页,2002年。视图:出版商的网站|谷歌学术搜索
40. m . Hossin和m . n . Sulaiman”回顾评价指标数据分类评估,”国际期刊的数据挖掘和知识管理过程,5卷,不。2,01-11,2015页。视图:出版商的网站|谷歌学术搜索
41. a . p . Brandley”使用ROC曲线下的面积在机器学习算法的评价,“模式识别,30卷,不。7,1145 - 1159年,1997页。视图:出版商的网站|谷歌学术搜索
42. c .丁和h .彭”,最低冗余特征选择从微阵列基因表达数据,”生物信息学和计算生物学》杂志上,3卷,不。2、185 - 205年,2005页。视图:出版商的网站|谷歌学术搜索
43. A Satorra和p . m . Bentler”,一个按比例缩小的区别卡方检验统计量的结构分析,“心理测量学,卷66,不。4、507 - 514年,2001页。视图:出版商的网站|谷歌学术搜索
44. l . Liu f·a·阿卜杜勒·g·阴et al .,“预后的价值与D-SPECT相机患者缺血心肌灌注成像和阻塞性冠状动脉疾病(INOCA)”核心脏病学杂志》,2020年。视图:出版商的网站|谷歌学术搜索
45. w·Acampa r . r . Buechel, a . Gimelli“低剂量在核心脏病:状态的艺术在新的时代cadmium-zinc-telluride相机,“欧洲核医学与分子影像杂志》上,17卷,不。6,591 - 595年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021瓦坎托尼等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。