摘要： 机器学习方法在科学研究中的应用日益普及,但学术界尚未就这类方法的应用方式形成规范性共识,致使许多已发表的应用机器学习方法的研究存在有效性(validity)、可复制性(reproducibility)和可推广性(generalizability)(1)的问题。

关键词： 机器学习   乙肝肝硬化   肝癌   诊断模型  

摘要： 目的 比较四种机器学习方法对乙肝肝硬化相关性肝癌的诊断价值。方法 选取2017年1月—2024年6月就诊于华北理工大学附属医院确诊为乙肝肝硬化合并肝癌的患者198例为肝癌组，确诊为乙肝肝硬化的患者202例为肝硬化组。对其一般资料及血常规、生化全项、凝血系列等指标进行单因素分析，通过对单因素分析有统计学意义的指标进行多因素logistic回归分析，筛选出肝癌的影响因素，以7:3的比例将患者随机拆分为训练集及测试集，依次构建logistic、XGBoost、Light GBM、Random Forest模型，绘制受试者工作特征（ROC）曲线、曲线下面积（AUC）、准确率和F1指数等指标评估模型，选出最优的模型，通过Shapley Additive ex Planations(SHAP）方法展示模型，并同时采用Bootstrap重采样的方法对最佳模型重抽样500次进行内部验证。结果 年龄（OR=1.055,95%CI:1.024～1.088,P=0.001）、性别（OR=2.643,95%CI:1.246～5.608,P=0.011）、甲胎蛋白（AFP)(OR=1.007,95%CI:1.003～1.010,P<0.001）、HBV-DNA载量（OR=2.304,95%CI:1.197～4.434,P=0.012）是肝癌发生的独立危险因素；甘油三酯（OR=0.376,95%CI:0.188～0.751,P=0.006）是肝癌发生的保护因素。基于上述因素分别构建logistic、XGBoost、Light GBM、Random Forest模型，这四种模型的AUC值分别为0.856(95%CI:0.806～0.906）、0.789(95%CI:0.726～0.852）、0.809(95%CI:0.749～0.869）、0.822(95%CI:0.764～0.879），其中logistic模型的判别性能最佳，logistic回归模型的AUC、准确度、灵敏度、特异度、F1值为0.856、0.762、0.600、0.925、0.716，通过Boostrap重采样方法进行内部验证，AUC=0.860,95%CI:0.843～0.877,提示logistic回归模型具有良好的预测功能。结论 高龄、男性、高AFP、高HBV-DNA载量是肝癌的危险因素；高甘油三酯是肝癌的保护因素。logistic回归模型具有良好的判别性能，预测效能最佳，同时具有良好的泛化能力。

摘要： 斯伦贝谢(Schlumberger)公司此前在阿拉伯联合酋长国召开的SPE(石油工程师学会)上，提出以机器学习方法，开展油气田储层孔隙度的评估。目前世界各地石油公司对碳酸盐岩储层进行岩石物理评价，是一项重大挑战，因为复杂的成岩过程会改变储层特性，导致对碳酸盐岩储层进行岩石物理评估面临很多困难。相当部分石油作业公司都在运用先进的测井技术，如核磁共振T2弛豫时间，以及井眼图像等高级测井工艺。

摘要： [目的]构建和比较多种基于机器学习方法的甲状腺乳头状癌（papillary thyroid carcinoma,PTC）颈部淋巴结转移（neck lymph node metastasis,NLNM）预测模型，评估性能最优的模型并提高模型的可解释性。[方法]回顾性分析2021年1月至2023年9月在广西科技大学第二附属医院接受甲状腺切除手术的903例PTC患者的临床资料。患者随机分为训练集（70%）和验证集（30%），将性别、年龄、肿瘤最大径、病灶数量及是否存在被膜侵犯等13项临床病理特征变量纳入逻辑回归、梯度提升机、随机森林、决策树、支持向量机和轻量级梯度提升机（Light Gradient Boosting Machine,LightGBM）等10种机器学习算法，对NLNM的风险构建预测模型。通过受试者工作特征曲线下面积（area under the curve,AUC）、灵敏度、特异度、准确率和F1得分等指标比较各模型性能。并通过决策曲线、基于沙普利加和解释（SHapley Additive exPlanation,SHAP）法等可视化方法，对最优模型的效果和可解释性进行分析。[结果]在10种机器学习模型中，LightGBM的预测效果最佳，AUC为0.853(95%CI:0.793～0.837)，准确率为0.771,F1得分为0.764，灵敏度为0.743，特异度为0.799。在决策曲线分析中，LightGBM模型显示出良好的稳定性。基于SHAP方法可视化LightGBM模型，结果显示肿瘤最大径、甲状腺球蛋白、癌胚抗原和年龄是影响PTC患者颈部淋巴结转移风险预测的最显著因素。[结论]基于SHAP值可解释LightGBM模型对PTC患者NLNM具有最佳的预测价值。

关键词： 机器学习   支持向量机   逻辑回归   预测模型   糖尿病  

摘要： 本文结合Kaggle糖尿病数据集，利用机器学习算法对糖尿病及其危险因素进行模型训练并验证,预测糖尿病概率并挖掘糖尿病重要致病因子，同时将逻辑回归（Logistic Regression）、决策树（Decision Tree）、支持向量机（SVM）、随机森林（Random Forest）、K近邻（K-Nearest Neighbor,KNN）和梯度提升树(Gradient Boosting Tree,GBT)等方法进行性能差异比较，确定最优模型，进一步帮助临床医护人员早期识别糖尿病高危人群并制订针对性干预措施。

关键词： 域适应   预训练   上下文学习   证据学习  

摘要： 近年来,机器学习技术的快速迭代推动了计算机视觉领域的革新,提升了图像分类、目标检测及语义分割等核心任务的性能。然而,传统监督学习范式中隐含的独立同分布假设在开放世界中面临严峻挑战,实际部署场景中普遍存在的域偏移,即数据分布不一致现象往往导致模型性能衰退。为缓解数据分布引发的泛化困境,域适应机器学习技术通过特征空间对齐和知识迁移等机制,增强模型在跨域场景下的鲁棒性。尽管如此,现有研究在应对现实复杂场景时仍存在亟待突破的技术瓶颈。针对开放世界场景下域适应技术面临的三大挑战展开系统性研究:连续变量引发的分布偏移、预训练对域适应的影响、以及源域与目标域标签集合不重叠时的可信预测问题。通过理论创新与方法改进提出了一系列具有理论保障与实践价值的解决方案,为域适应技术的实际应用提供了新的研究范式。主要贡献体现在以下三方面: (1)面向连续变量引起的数据分布偏移问题,提出连续域适应问题,并且为了全面的评价模型性能,构造了基准数据集。揭示了时间演化、观测角度等连续变量导致的数据分布连续渐变特性,并构建了基于交替训练策略的几何约束模型。通过设计“牵拉”和“收缩”双阶段优化机制,在特征空间中维护源域与目标域的分布几何结构,同时引入连续性约束以增强对无限数量未见目标域的外推能力。实验表明,该方法在旋转角度、时间序列和俯仰角度三类连续变量构成的基准测试中,较传统离散域方法取得了性能提升。 (2)面向预训练对于域适应的影响问题,针对目标域错误率上界的理论框架,突破仅考虑源域和目标域的传统双域范式,建立包含预训练域的三域理论框架。通过量化分析预训练知识退化现象与梯度差异效应,揭示了预训练导致目标域错误率上界升高的内在机理。基于此提出的训练框架引入预训练数据复用机制,有效降低目标错误风险上界。结合语义相似度的数据选择策略,减少所需预训练数据的数量,提升了训练的高效性,并在预训练数据不可用时提供了合成图像的替代方案,进一步证明了方法的有效性。所提出的方法能够与现有的无监督域自适应和无源域自适应方法无缝集成,在少量预训练或合成图像条件下仍然有效,在多个基准测试中提升了的性能。 (3)面向源域与目标域标签集合不重叠时的可信预测问题,基于上下文学习与证据理论,实现了在仅需单参考标注条件下实现可信预测。聚焦于图像分割任务,探讨了将自然图像训练的基础分割模型直接应用于医学图像分割的可行性。构建单样本引导的上下文学习范式,通过空间拼接与模型中注意力机制捕捉跨图像特征相似性。设计基于委员会投票的证据学习策略,将几何/光度变换后的目标图像视为独立委员会成员,通过融合语义不变性与几何等变性先验知识,减小自然图像和医学图像分布差异对于性能的影响,以及缓解模型过度自信问题。方法在多个模态的图像上进行了测试,实验结果以及可视化充分验证了所提方法的有效性和鲁棒性。

摘要： 摘要目的 开发并比较基于CT形态特征、血清生物标志物和基础身体条件的机器学习模型以预测食管静脉曲张出血。方法 回顾性纳入224例伴有和不伴有食管静脉曲张

关键词： 投资者情绪传染   银行业系统性风险   预警   可解释性机器学习  

摘要： 投资者情绪传染在信息不对称条件下可能引发非理性羊群效应，促进风险传染，在系统性风险演化过程中发挥关键作用。本文探究投资者情绪传染指数对银行业系统性风险的预警能力和非线性影响。首先，基于TVP-VAR模型构建投资者情绪传染指数用于衡量银行间投资者情绪传染效应的强弱。进一步，将投资者情绪传染指数纳入预警指标体系，基于机器学习方法构建预警模型，并应用可解释性机器学习方法打开黑盒。实证研究结果表明：机器学习方法的预警性能远高于线性模型，随机森林表现最优；投资者情绪传染指数与银行业系统性风险之间存在复杂的非线性关系；投资者情绪传染指数能够提升预警模型准确率，且在预警模型中发挥的重要性高于宏观经济和银行业指标。

关键词： 含Ce矿物   大数据   机器学习   大量罕见事件频率分布   矿物共生网络分析  

摘要： 稀土是发展能源转换、超导和量子工程等高新技术领域不可替代的战略性矿产资源。然而,对于稀土矿物分布、多样性和共生规律的认识极为不足。前人通过大数据和机器学习方法对Be、B和C等矿物生态学和矿物共生网络的研究,识别矿物共生组合隐藏的规律,预测总矿物种数、可能的化学组分和成矿环境,为寻找新矿物以及有效利用矿产资源提供新方向。本文立足于Mindat和RRUFF数据库提供的地球近地表166种含Ce矿物的矿物学信息,通过大量罕见事件(LNRE)模型预测:地球近地表至少存在223±3种含Ce矿物,还有57±3种含Ce矿物尚未被发现,包括39±3种含O矿物、36±11种含H矿物、50±1种含Si矿物、45±22种含Ca矿物、39±5种含Na矿物、28±5种含C和23±2种含F矿物。这些尚未被发现的矿物多数与碳酸盐岩演化的不同阶段相关。此外, Ce的矿物网络分析结果表明,含Ce矿物被划分为4种不同的成矿环境,暗示新的含Ce矿物成矿环境。本研究为开展其他稀土元素的矿物生态学和矿物共生网络研究提供研究思路和方法,对发现稀土新矿物以及有效利用稀土矿产资源具有重要指导意义。