比较诊断准确性之间的反向传播人工神经网络模型和线性回归在消化疾病患者:一个实证研究

文摘

介绍。消化系统疾病的无创性诊断模型是当前临床研究的重要问题。我们的系统综述旨在证明诊断准确性之间的三层算法和线性回归在消化疾病患者,包括它们的激活函数和数据结构。方法。我们报道了根据棱镜系统评价准则。我们从七个电子学术数据库搜索相关文章比较关注三层和诊断精度的线性回归。特点,病人数量,输入/输出标记,诊断精度,结果/结论相关独立比较提取基于入选标准。结果。九个文章符合所有的标准和参加我们的审查。录取的文章,出版年从1991年到2017年不等。样本容量范围从42 - 3222消化疾病患者,所有患者显示类似的生物标志物之间的三层算法和线性回归。根据我们的研究,8文献表明,三层模型优于线性回归预测疾病的结果基于AUROC结果。一个文献报道线性回归优于三层为结直肠癌的早期诊断。结论。三层算法和线性回归拟合高能力诊断模型和三层呈现出更多的非侵入性诊断模型的预测精度消化疾病。我们比较三层之间的激活函数和数据结构和线性回归拟合诊断模型和数据表明,三层是一个全面的推荐算法。

1。介绍

消化疾病包括管从食道到胃和肠道以及连接到该管的各种器官,如肝脏和胰腺,是非常复杂的医疗情况涉及多个器官系统和生物化学,免疫学,病理学机制(1]。根据2015年中国卫生统计年鉴,消化疾病的两周患病率和慢性病患病率15‰和24.9‰,分别为(2]。美国疾病控制和预防中心(CDC)报道近60到7000万人受到各种消化道疾病的影响,2001年,9.3%(1890万)的管控的成年人每年被诊断出患有消化系统疾病(2001年美国成年人,总结卫生统计,全国卫生,CDC) (3]。经济学家约912443000美元被花在公立医院消化系统疾病在澳大利亚从2001年到2002年(AIHW国立医院发病率数据库,澳大利亚2004年健康,AIHW) (4)(https://www.rightdiagnosis.com/d/digest/stats.htm)。大多数消化疾病的五年存活率是80%以上如果病人可以在早期诊断或治疗(5]。

在先前的研究中,许多研究人员提取的生物标记构建诊断或预测模型在疾病早期阶段在消化疾病患者,尤其是在肿瘤医疗实践显示一个伟大的价值,因为这些生物标记物的快速测试和方便抽样6]。世卫组织(世界卫生组织)指南建议APRI和FIB-4可以应用在HBV-reduced纤维化评估医疗资源有限的国家的而非侵入性检查(7]。和洛克得分表现良好使用瞬时弹性成像在诊断门静脉高压(TE) [8]。高隆等人使用AST / ALT (AST-to-ALT比例)在酒精性肝病的模式提升丙型肝炎患者发展到肝硬化(9]。林等人构建了非酒精性脂肪肝病的非侵入性诊断和量化肝脏脂肪的使用一种新的定量超声技术(10]。特征信息、血液检查、生化检测、超声内镜和病理评分中使用数学建模来预测疾病的结果准确(11- - - - - -14]。一个设计良好的模型可以估计复杂,未定义的风险因素之间的关系作为输入生物标志物和消化疾病的发生概率为输出变量(15]。

在最常见的多元统计模型诊断或预测,提取生物标志物作为因变量,以推导出线性影响生物标志物和响应变量之间的关系(16- - - - - -18]。然而,这些高维数据收集来自不同访问之间复杂的线性回归和共线性相关的生物标记物不能被发现或解决的线性模型(19]。一个复杂的人工神经网络(ANN)算法,反向传播人工神经网络模型,能够构造模糊和非线性输入生物标志物和目标之间的连接通过复杂处理神经元的模拟生物标志物。输入变量之间的相关性和目标数据可以得知安多次训练后(20.,21]。ANN模型模仿人类大脑信号传输通过一组由神经元处理单元,通过重量和这些神经元相互连接的连接使并行信号传输和系列22- - - - - -24]。最具代表性的安建设由三层(25]。为临床医生和统计学家,输入层代表观察到的生物标志物的血清生化及辅助检查(26,27]。输出层是临床结果的指标。安是由输入数据的处理,决策是实现以最小的调整由人类[28- - - - - -30.]。在建模过程中,训练数据进行了分析,然后决定通过输出神经元当新的输入变量是(31日]。在大多数的ANN模型,反向传播(BP)网络是常用的解决方案在处理输入变量和输出变量之间的非线性关系,不断调整神经元之间的连接权值和阈值误差大约在每一层的输出变量对预期结果(32- - - - - -36]。BP算法是基于误差梯度下降(图1),旨在找到最小误差通过调节神经元之间的连接权重最低的方向错误(37]。输出变量的误差估计和backcalculated收敛于最优解决方案38]。

在线性回归,我们假设输入医学生物标志物和临床结果将通过一个非线性连接链接功能。BP算法演示了神经元之间的突触权重的修改在学习,和连接将会改变在每一层神经元的误差项计算。每个重量是计算参数修正的神经元的活动和神经元的误差项it项目。我们可以建立复杂的数学模型之间的输入医疗生物标志物和每个匹配的输出变量。鉴于这些好处和局限性,更精确的计算和更简洁的算法演示将医疗决策的最佳解决方案。然而,合适的选择线性回归或三层没有被报道在最近的出版物和三层算法是否总是更准确和线性回归是有争议的。因此,我们的研究将试图基于系统回顾讨论以下问题:(1)当前的特点研究使用三层算法和线性回归(2)三层之间的相关性算法和线性回归(3)三层之间的诊断准确性比较算法和线性回归对消化系统的疾病

2。方法

2.1。三层之间的相关性算法和线性回归

数据的线性主成分结构,线性回归可以解读为单层感知器神经结构模型,其中包括输入变量和输出变量(图2)。输入层传送输入临床生物标志物直接输出变量通过s形的函数,从而计算出重量每个输入变量的线性回归,等于使用最小二乘法的回归系数(39,40]。

激活函数是一个非常重要的问题,因为它是直接输入变量和临床结果之间的桥梁,这大大影响了预测精度。根据激活函数,非线性相关性会转化为线性回归,这是一个有效的解决方案为计算隐层中的参数(41]。不同类型的激活函数可能会导致不同的神经网络参数,和常用的激活函数包括乙状结肠函数、双曲正切函数和高斯函数42- - - - - -44]。

前的输入变量通过线性回归拟合应用激活函数,如图2,数据2(一)和2(b)代表了拦截系数,分别。在乙状结肠函数、变量转换为““曲线和它的值是在0和1之间。在双曲正切函数,−1和1之间的值改变。高斯函数,和分别为中心和长度。如方程(1),激活功能复杂,研究人员确定最优函数的变化参数;因此,机器学习算法是用来帮助优化和合适的神经网络的激活函数(45]。

2.2。误差传播在三层和线性回归

主成分分析的线性回归拟合的直线穿过隐层神经网络,和下一个过程概括这直线曲线。基于主成分分析,三层模型可以解决非线性主成分数据和算法是反向传播组成的均方误差(MSE)和梯度下降法的广泛应用于数字最小化一个预先制定的成本函数(38,46]。根据梯度趋势,隐藏层之间的BP模型可以更新参数和输入层(47]。结合BP网络结构,输出层的误差传播开始的过程如下: 在哪里总误差和吗是错误的输出神经元,这是实际产出之间的偏差和预期输出的输出神经元。

如果上述错误定义公式扩展到隐层神经元,在那里代表的输出隐层神经元和代表的重量之间的连接隐层神经元和输出神经元,然后 在哪里是激活函数。

如果函数扩展到输入神经元,代表的输出输入神经元和代表的重量之间的连接输入神经元和隐层神经元

根据上面的公式,总误差网络的每个连接权值的功能 , ,因此,错误可以减少通过调整权重值的连接。

根据最佳体重总误差,可以通过计算偏导数来解决。

如果我们做 然后,方程(5)可以写成:

在每次迭代之后,权重被添加的变化调整或原来的重量最小化总误差。一个参数””,学习速率,是用来定义重量变化与梯度下降算法。根据上面的公式,体重变化是负梯度时正,反之亦然,从而维护解决方案向最小误差(39,48- - - - - -51]。

2.3。搜索策略相关研究

在我们的研究中,我们从以下数据库搜索相关文章:MEDLINE、Embase, Cochrane图书馆、中国生物医学文献数据库,Wanfang, CNKI,覆盖之间的发布时间1月1日,1966年和2019年5月1日。搜索策略如下:“(消化系统疾病和消化系统)和(线性回归或逻辑回归或logit模型)和安(ANN或反向传播或三层)和(预测、诊断或诊断)。“相关研究的标题和摘要筛选基于合格标准和分类到不同的组:(1)复制,(2)无关,和(3)相关。参加研究的全文被杨魏和评估。进行我们的研究和报告后,建议首选报告项目的系统回顾和荟萃分析(棱镜声明)52]。

2.4。注册研究选择标准

研究了如果(1)患者年龄从18岁到65岁,患有消化系统疾病超过6个月。医院或社区参与者注册;(2)诊断或预测试验进行与线性回归(多元线性回归、逻辑回归和泊松回归)同时和三层模型。输入变量的线性回归和三层模型是一致的;和(3)的结果模型精度评估与以下指标:接受者操作特征曲线下的面积(AUROC),灵敏度(SEN),特异性(SPE),假阳性率(玻璃钢),假阴性率(FNR) (53]。

排除标准:(1)复杂严重心血管和脑血管疾病的患者,(2)病人的心理障碍,和(3)患者遭受恶性消化道肿瘤和预期的存活时间不到一年。

加入群组研究的方法学质量评估Newcastle-Ottawa质量评估量表,建立综合得分从3项目:(1)代表性的暴露和nonexposed病人和暴露的确定,(2)可比性的群体研究的基础上,和(3)评估结果和随访结果发生足够长的时间。

3所示。结果与讨论

3.1。包括研究的特点

总共有319篇文章从搜索中检索策略,其中43个被移除基于筛选标题和摘要。进行资格审核和267篇文章二百七十六篇文章被排除在外。九个文章符合所有的标准和参加我们的审查。文献搜索和选择过程的流程图如图3。录取的文章,发布范围从1991年到2017年。七篇文章来自中国(包括台湾省),一篇文章从奥地利和1来自韩国。样本容量范围从42 - 3222消化疾病患者,所有患者显示类似的生物标志物之间的三层算法和线性回归(表1)。

3.2。诊断精度对比三层算法和线性回归对消化系统的疾病

根据我们的系统回顾,8文献表明,三层模型优于线性回归预测疾病的结果基于AUROC结果(表1)。其他研究人员(63年- - - - - -66年]相同的三层模型表明,在信息处理中有很好的能力,高并行性与非线性输入变量、泛化,非参数算法和容错能力,广泛用于分类,聚类,在一些疾病领域回归,降维。三层模型优于线性回归,因为它非凡的处理能力来处理隐藏输入标记和临床结果之间的非线性关系,这可能被忽略的线性回归和统计学家67年- - - - - -70年]。

三层的自学习和自适应能力的优势与线性回归(71年]。两阶段过程中训练神经网络,输入和输出变量之间的合理规则可以自动提取通过反向传播学习,这将被铭记,然后转换成网络的神经元权值基于自适应能力(72年- - - - - -76年]。自主学习阶段一般重复了10000多次;加权值和误差阈值趋于优化,直到模型收敛(77年]。对于大多数临床医生来说,估计非侵入性诊断模型或疾病分类器结果将有助于作出正确的决定而非侵入性检测。基于这些临床要求,三层训练过程有能力处理未识别的混杂因素构建更准确的分类器,从而训练成果转移到未知输入变量和临床结果之间的信息78年- - - - - -80年]。

与此同时,由于目前大数据的可用性在多中心临床研究,增强的计算能力和图形处理单元,和新的算法适合神经网络计算机辅助系统可以处理成千上万的输入变量以及识别隐藏的信息和做出更准确的决定比线性回归拟合(81年]。

三层模型的外推性能是一个值得注意的发展;从数学的角度来看,三层能达到一个最优的方法,在本地搜索全球解决方案(82年- - - - - -84年]。在这个过程中,神经元之间的权重进行调整根据当地的方向逐渐改善,这可能使该算法和权值收敛到局部极值(85年]。此外,三是对初始权值敏感的网络和不同初始化网络往往收敛到局部最小值和许多研究人员构建相关不同模型训练后(79年,86年- - - - - -89年]。

一个文献报道线性回归优于三层为结直肠癌的早期诊断,在输入变量只有血清肿瘤标记物,包括CEA、CA199、CA242, et al。46]。与三层诊断模型相比,逻辑回归分析显示更好的结果,相关的多参数在一定的范围内使用(90年]。线性回归方法的成功发展的解释和诊断模型算法要求数据的代表性和均匀的结构,消除冗余输入变量,适当比率输入变量和输出变量的数量,和完成严格的验证程序91年- - - - - -93年]。

4所示。结论

非侵入性诊断模型对消化系统的临床医生和统计学家的一个至关重要的问题。根据我们的系统回顾,三层算法和线性回归拟合的诊断有很高的能力模型和三层在大多数注册研究呈现出更多的预测精度。精心设计的情况下,我们比较三层之间的激活函数和数据结构和线性回归拟合诊断模型和数据表明,三层是一个全面的推荐算法。

基于传统的三层神经网络、统计学家开发了一套深学习算法不同的方法(94年]。深度学习神经网络(款)扩展层四层以上的深度和表现优于传统神经网络诊断和预测神经网络结构变得复杂时(95年- - - - - -97年]。辛顿等人使用一个无监督限制玻耳兹曼机与深度层神经结构来克服局部最小值的局限性和过度拟合98年]。同时,卷积神经网络(CNN)包含了多层计算连接的最小化处理表现良好在最近的研究(99年- - - - - -102年]。因此,进一步的研究可能关注传统神经网络之间的相关性和其他机器学习算法,包括深学习神经网络,卷积神经网络,支持向量机方法,选择适当的算法对消化系统的疾病。

缩写

安:	人工神经网络
AUROC:	接受者操作特征曲线下的面积
英国石油公司:	反向传播
儿童和青少年卫生与发育司:	慢性咄咄逼人的许可,non-B肝炎
购物车:	分类和回归树
疾病预防控制中心:	美国疾病控制和预防中心
CPH:	长期持续的许可,non-B肝炎
大卫·爱登堡:	判别分析
糖尿病:	糖尿病
FL:	脂肪肝
FNR:	假阴性率
玻璃钢:	假阳性率
HCA:	门的胆管癌
均方误差:	均方误差
PSMVT:	Portosplenomesenteric静脉血栓形成
PPU:	消化性溃疡穿孔
森:	灵敏度
SPE:	特异性
TE:	瞬时弹性成像
人:	世界卫生组织。

数据可用性

可以使用的数据来支持这一研究发现上市引用。

信息披露

资助者没有作用的设计研究;在收集、分析或解释数据;写的手稿;或决定发布结果。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

所有作者都极大地推动了手稿和所有作者同意的内容。/设计概念是由许阳完成的。数据收集和手稿写是由魏魏,许阳。是由许阳审查的手稿。

确认

这项研究支持由中国国家自然科学基金(批准号下91846303),北京市医院管理局(没有孵化项目。PX2018071),研究基金会北京友谊医院,首都医科大学(没有。yyqdkt2015-15)。

引用

1. k Ikuta h Ito k .高桥正树,m . Terauchi铃木和y“安全性和有效性的静脉铁carboxymaltose日本缺铁性贫血引起的消化道疾病患者:一个非盲、随访时间的研究中,“国际血液学杂志》,卷109,不。1、58、2019页。视图:出版商的网站|谷歌学术搜索
2. 国家健康委员会中华人民共和国,中国卫生统计年鉴,2015年。
3. 疾病控制和预防中心总结美国成年人的健康统计:全国健康访问调查,2001年。
4. 澳大利亚卫生和福利研究所,澳大利亚国立医院发病率数据库的健康,2004年。
5. t·w·小君,m . l .叶j·d·杨et al .,“更先进的疾病,更糟糕的是在不明原因引起的病毒性肝细胞癌相比,生存”肝脏国际,38卷,不。5,895 - 902年,2018页。视图:出版商的网站|谷歌学术搜索
6. 荣格,y荣格,e . j .爆炸et al .,“非侵入性治疗手术治疗胃癌的诊断和评价利用NMR-based代谢组分析,“《肿瘤外科卷。21日,S736-S742, 2014页。视图:谷歌学术搜索
7. 筛查指南,萤石治疗的乙型肝炎感染日内瓦,世界卫生组织,2015年。
8. l . Castera m . Pinzani, j .博世“非侵入性评价门静脉高压使用瞬时弹性成像,”肝脏病学杂志卷,56号3、696 - 703年,2012页。视图:出版商的网站|谷歌学术搜索
9. r b, b . Purbe p . Gyawali和p . Risal”天冬氨酸转氨酶比丙氨酸转氨酶(AST / ALT):相关的潜在价值与酒精性肝病的严重程度,”加德满都大学医学杂志11卷,第236 - 233页,2013年。视图:谷歌学术搜索
10. 林s c, e . Heba t·沃尔夫森et al .,“非酒精性脂肪肝疾病的无创性诊断和量化肝脏脂肪的使用一种新的定量超声技术,”临床胃肠病学和肝脏病学,13卷,不。7,1337 - 1345页。e6, 2015年。视图:出版商的网站|谷歌学术搜索
11. b . m . Ozyildirim和m . Avci“广义神经网络分类器,”神经网络39卷,18-26,2013页。视图:出版商的网站|谷歌学术搜索
12. j . h . y . Li Lam和k·c·张,“被动标准为连续时间神经网络混合时变延迟,”应用数学和计算,卷218,不。22日,第11074 - 11062页,2012年。视图:出版商的网站|谷歌学术搜索
13. r . Rakkiyappan e . Udhaya Kumari a . Chandrasekar和r . Krishnasamy“惯性记忆性耦合神经网络的同步和周期性上确界,“Neurocomputing卷,214年,第749 - 739页,2016年。视图:出版商的网站|谷歌学术搜索
14. x杨、曹j . w . Yu”指数同步记忆性科恩Grossberg与混合神经网络延迟,”认知神经动力学,8卷,不。3、239 - 249年,2014页。视图:出版商的网站|谷歌学术搜索
15. d·安萨里,j·尼尔森,r·安德森s Regner b . Tingstedt b·安德森,“人工神经网络预测从胰腺癌激进手术后生存,”美国外科杂志》,卷205,不。1、1 - 7,2013页。视图:出版商的网站|谷歌学术搜索
16. 温,黄x r·f·j . n . Cormier p .高压球阀,”贝叶斯多元联合虚弱疾病复发和生存模式,”医学统计,35卷,不。26日,第4812 - 4794页,2016年。视图:出版商的网站|谷歌学术搜索
17. y . c .夏甲、d·j·哈维和l·A·贝克特“多元治愈left-censored和right-censored数据与模型应用于结直肠癌筛查模式,”医学统计,35卷,不。19日,3347 - 3367年,2016页。视图:出版商的网站|谷歌学术搜索
18. d·b·McArtor b·d·林j . j . Hottenga d . i Boomsma g . Willemsen Lubke g . h,“使用多变量模型来评估人口结构和生活方式的互动影响血液学的概要文件,”生物标志物在医学,11卷,不。6,427 - 438年,2017页。视图:出版商的网站|谷歌学术搜索
19. s s, r·f·哈里森,r·l·肯尼迪,“介绍神经网络,”《柳叶刀》,卷346,不。8982年,第1079 - 1075页,1995年。视图:出版商的网站|谷歌学术搜索
20. w .田,f·孟,李y l . Liu和f·王,“交替静水压力下有机涂层寿命预测人工神经网络,”科学报告,7卷,不。1,p。40827年,2017。视图:出版商的网站|谷歌学术搜索
21. f . Demirci·阿坎人t . Kume a . r . Sisman z Erbayraktar,和s Sevinc“人工神经网络方法在实验室测试报告:学习算法,”美国临床病理学杂志》上,卷146,不。2、227 - 237年,2016页。视图:出版商的网站|谷歌学术搜索
22. 哈里森·d·泰勒,a, d .权力,”一个人工神经网络系统来识别重复等位基因在引用,“国际法庭科学。遗传学,30卷,第126 - 114页,2017年。视图:出版商的网站|谷歌学术搜索
23. l . a . Peixoto l . l . Bhering和c·d·克鲁兹,“人工神经网络揭示基因的效率值预测,“遗传学和分子研究,14卷,不。2、6796 - 6807年,2015页。视图:出版商的网站|谷歌学术搜索
24. 范y和w·李问:“改善医疗分析、人工神经网络诊断和预测,“《急救护理40卷,293页,2017。视图:出版商的网站|谷歌学术搜索
25. d . Itchhaporia p·b·雪r . j . Almassy和w·j . Oetgen“人工神经网络:在心血管医学现状,“美国心脏病学会杂志》上,28卷,不。2、515 - 521年,1996页。视图:出版商的网站|谷歌学术搜索
26. a . Liparini s卡瓦略,j . c . Belchior”的适用性分析人工神经网络研究血浆:镁离子浓度测定为例,“临床化学和实验室医学,43卷,不。9日,第946 - 939页,2005年。视图:出版商的网站|谷歌学术搜索
27. h·a·阿巴斯”进化的人工神经网络方法对乳腺癌的诊断,“人工智能在医学上,25卷,不。3、265 - 281年,2002页。视图:出版商的网站|谷歌学术搜索
28. j·g·李,美国6月,y . w .赵et al .,“深度学习在医学成像:概述”,韩国放射学杂志》,18卷,不。4、570 - 584年,2017页。视图:出版商的网站|谷歌学术搜索
29. t .郑w·谢许l . et al .,“基于机器学习框架通过电子健康记录确定2型糖尿病,”国际医学信息学杂志》上卷,97年,第127 - 120页,2017年。视图:出版商的网站|谷歌学术搜索
30. b . van Ginneken”,五十年的计算机分析胸部成像:基于规则,机器学习,深入学习,”放射物理和技术,10卷,不。1,23-32,2017页。视图:出版商的网站|谷歌学术搜索
31. t . Yarkoni和j·威斯特法”,选择预测在解释心理学:机器学习教训,”心理科学观点,12卷,不。6,1100 - 1122年,2017页。视图:出版商的网站|谷歌学术搜索
32. j .曹h·崔、h·史和l .焦”大数据:并行粒子群optimization-back-propagation神经网络算法基于MapReduce,”《公共科学图书馆•综合》,11卷,不。6篇文章e0157551 2016。视图:出版商的网站|谷歌学术搜索
33. d . Rotermund和k . r . Pawelzik深spike-by-spike网络反向传播学习”,计算神经科学前沿卷。13日,13-55,2019页。视图:谷歌学术搜索
34. e·r·雷内·m·e·洛佩兹·j·h·金和h . s .公园,“反向传播神经网络模型预测性能的固定化细胞生物过滤器处理气相硫化氢和氨,”生物医学研究的国际ID 463401条,卷。2013年,9页,2013。视图:出版商的网站|谷歌学术搜索
35. d·卡卢奇p .伦和g . Schiuma”评估服务质量维度作为门诊病人满意度的祖先使用反向传播神经网络,”卫生保健管理科学,16卷,不。1,37-44,2013页。视图:出版商的网站|谷歌学术搜索
36. 吴c和s . Shivakumar”counter-propagation和反向传播神经网络系统分类的核糖体RNA序列,”核酸的研究,22卷,不。20日,第4299 - 4291页,1994年。视图:出版商的网站|谷歌学术搜索
37. r·甘x, y,和d .黄”应用灰色模型相结合的混合方法和反向传播人工神经网络预测乙型肝炎在中国,“计算和数学方法在医学文章ID 328273卷,2015年,2015年。视图:谷歌学术搜索
38. j . Yu问:潘,杨j . et al .,”相关的完整的血细胞计数与丙氨酸和天冬氨酸转氨酶在中国主题和预测基于反向传播人工神经网络(三层),“医学科学监控,23卷,第3009 - 3001页,2017年。视图:出版商的网站|谷歌学术搜索
39. h·a·Soodi和a . m . Vural STATCOM估计使用反向传播算法,打乱青蛙跳算法和基于遗传算法的神经网络,”计算智能和神经科学17页,卷。26日,2018年。视图:谷歌学术搜索
40. s . Chatterjee s Sarkar冲激着,n .戴伊a . s . Ashour诉大肠红晶石,“结构性故障预测的粒子群算法训练神经网络的多层钢筋混凝土建筑,”神经计算和应用,28卷,不。8,2005 - 2016年,2017页。视图:出版商的网站|谷歌学术搜索
41. O。f . Ertuğrul”小说类型的人工神经网络的激活函数:训练有素的激活函数,“神经网络卷,99年,第157 - 148页,2018年。视图:出版商的网站|谷歌学术搜索
42. k . Eckle和j . Schmidt-Hieber”比较深网络ReLU激活函数和线性样条——类型方法,”神经网络卷,110年,第242 - 232页,2019年。视图:出版商的网站|谷歌学术搜索
43. n a·穆罕默德·m·Solaiman和m·h·阿里,“色散补偿单元的设计和性能评估中使用几个鸣叫函数双曲正切apodized与色散补偿光纤,光纤光栅和比较”应用光学53卷,第247 - 239页,2014年。视图:谷歌学术搜索
44. p .刘、曾振国和j .王”完成延迟复发性神经网络的稳定性与高斯激活功能,“神经网络卷。85年,21-32,2017页。视图:出版商的网站|谷歌学术搜索
45. e·j·m·巴博萨Jr . m . Lanclus w . Vos et al .,“机器学习算法利用定量CT特征可以预测最终的闭塞性细支气管炎综合征肺移植后,“放射学学术,25卷,不。9日,第1212 - 1201页,2018年。视图:出版商的网站|谷歌学术搜索
46. h . x愣,j . Wang霁et al .,“预测size-fractionated机载particle-bound金属使用高钙,BP - ANN和支持向量机分析”光化层卷,180年,第522 - 513页,2017年。视图:出版商的网站|谷歌学术搜索
47. 比比Alagoz g . Kavuran a负责人和c . Yeroglu”Reference-shaping自适应控制通过使用梯度下降优化器,”《公共科学图书馆•综合》,12卷,不。11篇文章e0188527 2017。视图:出版商的网站|谷歌学术搜索
48. d·j·萨金特”,比较人工神经网络与其它统计方法,”癌症,卷91,不。S8, 1636 - 1642年,2001页。视图:出版商的网站|谷歌学术搜索
49. r . j .罗任,k .郭”基坑变形监测的反向传播神经网络和遗传算法及其在岩土工程中的应用”《公共科学图书馆•综合》,15卷,不。7篇文章e0233398 2020。视图:出版商的网站|谷歌学术搜索
50. m . Malathi和p . Sinthia MRI脑部肿瘤分割使用由反向传播算法,混合聚类和分类”亚洲太平洋癌症预防杂志》上,19卷,第3263 - 3257页,2018年。视图:谷歌学术搜索
51. p . Dosset·拉萨姆·l·费尔南德斯et al .,“自动检测生物膜内的扩散模式使用反向传播神经网络,”BMC生物信息学,17卷,不。1,第208 - 197页,2016。视图:出版商的网站|谷歌学术搜索
52. d .一大早,a Liberati,泰兹拉夫j . d . g .奥特曼和棱镜组”首选项报告系统评价和荟萃分析:棱镜声明,“BMJ,卷339,不。1,p . b2535 2009。视图:出版商的网站|谷歌学术搜索
53. a . m .格拉纳多斯桑切斯和j . f . Orejuela萨帕塔”:内侧颞叶硬化的诊断敏感性、特异性和预测价值的定量分析磁共振成像,”神经放射学杂志没有,卷。31日。1,对于50 - 59页,2018。视图:出版商的网站|谷歌学术搜索
54. g . Reibnegger g . Weiss g . w . Felmayer g . Judmaier和h韦希特尔,”神经网络作为一种工具使用实验室信息:比较与线性判别分析和分类和回归树,”医学科学卷,88年,第11430 - 11426页,1991年。视图:谷歌学术搜索
55. z n·w·高,s . y . Wang Wang l . y .施董f . x,“人工神经网络的应用研究在分析糖尿病的危险因素,”临床流行病学杂志25卷,第718 - 715页,2004年。视图:谷歌学术搜索
56. j . m . s . h . Kim Lee j . h . Kim et al .,“适当的供肝对macrosteatosis:应用人工神经网络对我们images-initial经验,“放射学,卷234,不。3、793 - 803年,2005页。视图:出版商的网站|谷歌学术搜索
57. y . c . p . l .刘y . c . Lee林et al .,“比较逻辑回归的人工神经网络预测肥胖病人的胆囊疾病,”消化系统和肝脏疾病,39卷,不。4、356 - 362年,2007页。视图:出版商的网站|谷歌学术搜索
58. c . l .壮族“案例推理支持肝脏疾病诊断,”人工智能在医学上,53卷,不。1、15 - 23,2011页。视图:出版商的网站|谷歌学术搜索
59. b .张x l .梁h . y .高,l . s .你们和y . g . Wang”的逻辑回归模型分析、支持向量机和bp神经网络基于血清肿瘤标志物在结直肠癌诊断,”遗传学和分子研究15卷,1 - 10,2016页。视图:谷歌学术搜索
60. 范y, j . Hu w .问:李,w . Wang和g .问:宗庆后,“人工神经网络预测portosplenomesenteric静脉血栓形成的发生率在急性胰腺炎患者,”血栓和止血法杂志》上,15卷,不。3、439 - 445年,2017页。视图:出版商的网站|谷歌学术搜索
61. g . s . j . Ma j . Yu郝et al .,“评估甘油三酸酯和胆固醇在超重的人基于多元线性回归和人工智能模型,”脂质在健康和疾病,16卷,不。1,42-48,2017页。视图:出版商的网站|谷歌学术搜索
62. 黄邵,问:c . Wang l . j .秋y . g . Hu郑胜耀咋,“人工神经网络模型预测早期闭塞的双边塑料支架放置不实用的门的胆管癌,”外科腹腔镜检查,内镜和经皮技术卷28日,pp. e54-e58, 2017年。视图:谷歌学术搜索
63. c·文图拉·d·a .拉丁裔和f·马丁斯,“比较定量构效关系模型基于多元线性回归和神经网络的设计的新抗结核的化合物,”欧洲药物化学杂志》上卷,70年,第845 - 831页,2013年。视图:出版商的网站|谷歌学术搜索
64. 下午•萨瑟和j . Venitz”解散比较神经网络和多元线性回归预测,“药物开发和工业药房卷,29号3、349 - 355年,2003页。视图:出版商的网站|谷歌学术搜索
65. a·j·c·c·林斯·m·t·c·穆尼斯a·n·m·加西亚诉戈麦斯,r·m·卡布拉尔和c . j . a . Bastos-Filho”使用人工神经网络的参数选择预后老年人轻度认知损害和痴呆的”计算机在生物医学方法和项目卷,152年,第104 - 93页,2017年。视图:出版商的网站|谷歌学术搜索
66. c . c .徐、林j .和c . k .曹国伟”比较多元线性回归和人工神经网络在发展中骨科螺钉的目标函数,“计算机在生物医学方法和项目,卷104,不。3、341 - 348年,2011页。视图:出版商的网站|谷歌学术搜索
67. f . Gharagheizi a . Eslamimanesh a·h·穆罕默迪和d . Richon“纯化合物的关键属性和偏心因子的确定算法,使用人工神经网络组贡献”《化学与工程数据卷,56号5,2460 - 2476年,2011页。视图:出版商的网站|谷歌学术搜索
68. f . j . Wang Wang y刘et al .,“多元线性回归和人工神经网络来预测血糖在超重的患者中,“实验和临床内分泌和糖尿病,卷124,不。1、品种马非常,2016页。视图:出版商的网站|谷歌学术搜索
69. a . Ehret d . Hochstuhl d Gianola, g .需要“与反向传播神经网络的应用基因组使预测的复杂特征Holstein-Friesian和德国Fleckvieh牛,”遗传学、选择、进化卷,47号1,p。22日,2015。视图:出版商的网站|谷歌学术搜索
70. r .董和g .赵”预测体外瘤胃VFA生产使用摘要碳水化合物分数与多个线性模型和人工神经网络,”《公共科学图书馆•综合》,9卷,不。12篇文章e116290 2014。视图:出版商的网站|谷歌学术搜索
71. p . Cognigni j . Felsenberg, Waddell,“做正确的事:神经网络记忆形成机制,在_Drosophila_表达式和更新,“目前在神经生物学的观点卷,49 51-58,2018页。视图:出版商的网站|谷歌学术搜索
72. t·h·邓、a . h . Tan和j . m . Zurada”自组织神经网络集成领域知识和强化学习,”IEEE变性神经系统学习,26卷,不。5,889 - 902年,2015页。视图:出版商的网站|谷歌学术搜索
73. j . Chrol-Cannon和y金”,计算模型的神经可塑性的自组织神经网络,”生物系统卷。125年,43-54,2014页。视图:出版商的网站|谷歌学术搜索
74. 他x杨和h,“自学习鲁棒最优控制的连续时间非线性系统不匹配的干扰,”神经网络卷。99年,19-30,2018页。视图:出版商的网站|谷歌学术搜索
75. w·张”模式分类和使用自组织神经网络识别官能团的无脊椎动物,”环境监测和评估,卷130,不。1 - 3、415 - 422年,2007页。视图:出版商的网站|谷歌学术搜索
76. 刘j·k·d·诉Buonomano说,“嵌入多个轨迹模拟递归神经网络自组织的方式,”《神经科学杂志》上卷,29号42岁,13172 - 13181年,2009页。视图:出版商的网站|谷歌学术搜索
77. j . m . Bos z阿迪,d·e·阿尔伯特·p·a·Noseworthy p·a·弗里德曼和m·j·阿克曼”使用人工智能和深层神经网络评估患者Electrocardiographically隐藏从表面12导心电图QT间期延长综合症,”JAMA心脏病学,10卷,2021年。视图:出版商的网站|谷歌学术搜索
78. h·c·李,s . b . Yoon s·m·杨et al .,“预测肝移植后急性肾损伤:机器学习方法和逻辑回归模型中,“临床医学杂志,7卷,不。11日,第439 - 428页,2018年。视图:出版商的网站|谷歌学术搜索
79. h·w·s . c . Chen赵,c . c . Chen l . c . Woung和c . m . Lo”一种新的机器学习算法来自动预测视觉结果intravitreal ranibizumab-treated糖尿病黄斑水肿的患者,”临床医学杂志,7卷,不。12日,第483 - 475页,2018年。视图:出版商的网站|谷歌学术搜索
80. s m . Siniscalchi和v . m .萨勒诺”,适应新的麦克风使用人工神经网络可训练的激活函数,“IEEE神经网络和学习系统28卷,第1965 - 1959页,2016年。视图:谷歌学术搜索
81. 崔y . j . j . h .门敏h . s .公园et al .,“使用人工智能计算机辅助诊断系统对甲状腺结节的诊断和描述超声波:最初的临床评估,”甲状腺,27卷,不。4、546 - 552年,2017页。视图:出版商的网站|谷歌学术搜索
82. Sutskever, j . Martens g·达尔,g .辛顿”在初始化和动量在深度学习的重要性,”机器学习研究的程序28卷,第1147 - 1139页,2013年。视图:谷歌学术搜索
83. p .原作者和j . Tremblay”人工智能在医学上,“新陈代谢卷。69年,S36-S40, 2017页。视图:出版商的网站|谷歌学术搜索
84. a·n·拉梅什c . Kambhampati j·r·t·曼森和p . j .,“人工智能在医学上,”英国皇家外科学院的史册,卷86,不。5,334 - 338年,2004页。视图:出版商的网站|谷歌学术搜索
85. d·b·尼尔”,利用人工智能改善医院住院病人护理,“IEEE智能系统,28卷,不。2、92 - 95年,2013页。视图:出版商的网站|谷歌学术搜索
86. t . Ho·h·阮,t . Vuong问:大坝,h·范教授问:Vuong,“探索越南共同创作模式在社会科学2008 - 2017斯高帕斯数据的基本网络措施,”F1000Research》第六卷,1559页,2017年。视图:谷歌学术搜索
87. 陆美国x秋施j . et al .,“大脑病理检测系统根据蝙蝠的极端的学习机器优化算法,”中枢神经系统与神经系统疾病药物靶点,16卷,不。1,23-29,2017页。视图:出版商的网站|谷歌学术搜索
88. m . Bataineh t·马勒说,“神经网络回归问题,减少了训练集,“神经网络卷,95 - 2017页。视图:出版商的网站|谷歌学术搜索
89. 美国奥兹登、b . Saylam和m .特斯”是人工神经网络的理想造型技术?”《急救护理40卷,292页,2017。视图:出版商的网站|谷歌学术搜索
90. b . x Tran g . t . Vu g . h . Ha et al .,“全球卫生研究人工智能的进化和医学:文献研究,“临床医学杂志,8卷,不。3,p。360年,2019年。视图:出版商的网站|谷歌学术搜索
91. t·r·弗雷泽,“注意使用多元线性回归在分子生态学,”分子生态资源,16卷,不。2、382 - 387年,2016页。视图:出版商的网站|谷歌学术搜索
92. c . j . Li日圆,d . Liaw et al .,“公认的蛋白质酪氨酸磷酸酶PTEN基因突变在人类大脑中,乳腺癌,前列腺癌,”科学,卷275,不。5308年,第1947 - 1943页,1997年。视图:出版商的网站|谷歌学术搜索
93. p . Barmpalexis a . Karagianni g . Karasavvaides, k . Kachrimanis”比较多元线性回归,粒子群优化人工神经网络和遗传编程mini-tablets的发展,“国际制药学杂志,卷551,不。1 - 2、166 - 176年,2018页。视图:出版商的网站|谷歌学术搜索
94. 最小值,b . Lee, s . Yoon“深度学习在生物信息学中,”简报的生物信息学,18卷,不。5,851 - 869年,2017页。视图:出版商的网站|谷歌学术搜索
95. p . Mamoshina a维埃拉、大肠普京和a . Zhavoronkov“深度学习在生物医学中的应用”,分子制药学,13卷,不。5,1445 - 1454年,2016页。视图:出版商的网站|谷歌学术搜索
96. x Wang w·杨,j . et al .,人发现“寻找前列腺癌完全自动化的磁共振成像分类:深层学习方式与学习,”科学报告,7卷,不。1,p。15415年,2017。视图:出版商的网站|谷歌学术搜索
97. e·霍普g . Korzdorfer t Wurfl et al .,“深度学习磁共振指纹:一个新的方法从时间序列预测量化参数值,“研究卫生技术和信息卷,243年,第206 - 202页,2017年。视图:谷歌学术搜索
98. g·e·辛顿、美国Osindero和y w·格兰”快速学习算法深度信念网”,神经计算,18卷,不。7,1527 - 1554年,2006页。视图:出版商的网站|谷歌学术搜索
99. h·沙玛,n . Zerbe Klempert, o . Hellwich和p . Hufnagl“深卷积神经网络进行自动分类的胃癌在数字组织病理学,使用整张图片”计算机医学影像和图形卷。61年,13,2017页。视图:出版商的网站|谷歌学术搜索
100. 美国r . Acharya s . l .哦,y Hagiwara et al .,“深卷积神经网络模式分类的心跳,“计算机在生物学和医学卷,89年,第396 - 389页,2017年。视图:出版商的网站|谷歌学术搜索
101. c .什么m .路透社,t·克莱恩,“DeepNAT:深卷积神经网络分段神经解剖学,”科学杂志卷,170年,第445 - 434页,2018年。视图:出版商的网站|谷歌学术搜索
102. m·h·谢·l·m .太阳,c·l·林et al .,“发展预测模型对结直肠癌患者2型糖尿病使用深层神经网络,”临床医学杂志,7卷,不。9日,第286 - 277页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021魏魏,许阳。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。