关键词： 抑郁症   机器学习   深度学习   自然语言处理   预测模型   综述  

摘要： 在维普、万方、知网、Embase、PubMed和Web of Science数据库中检索2019~2023年间有关机器学习方法预测抑郁症发病风险的文献,系统性地总结这些算法的特点、研究领域、模型效能和当前应用所面临的问题和挑战。研究共纳入92篇文献,结果显示,机器学习预测抑郁症发病风险的模型效果较好,最佳预测模型的AUC值为0.6030~0.9976。未来应当建立多中心、前瞻性的融合多模态的动态预测模型,为抑郁症的临床诊断提供更可靠的依据。

关键词： 土壤   花生   镉   随机森林   预测模型  

摘要： 通过采集我国14个省份花生主产区的100组土壤-花生样品,分析土壤-花生系统镉(Cd)污染特征及土壤理化性质,基于机器学习方法建立花生Cd富集系数预测模型并识别花生富集Cd的重要影响因素。结果表明,采集的全国范围土壤样品总体以酸性为主,有60%的土壤pH<6.50,花生籽粒Cd含量均值为0.27 mg·kg^(-1),富集系数均值达到2.42。利用全国以及南北方产区分组数据构建的随机森林模型(R^(2)=0.930~0.966)对花生Cd富集系数的预测性能均明显优于相应的多元线性回归模型(R^(2)=0.471~0.657)。随机森林模型分析结果表明不同区域相对重要性较高的特征变量有所差异,影响北方产区花生Cd富集系数预测最重要的特征变量为土壤游离锰氧化物、游离铁氧化物含量和pH,而影响南方产区花生Cd富集系数预测最重要的特征变量为土壤游离锰氧化物、黏粒、游离铁氧化物和有机质含量。研究表明,相较于传统多元线性回归模型,随机森林模型对花生Cd富集系数的预测性能更为优越,为田间大尺度下土壤-花生系统中Cd的迁移预测提供了新的视角和解决方案。

关键词： 利率   货币政策   机器学习   SHAP值  

摘要： 本文使用文本分析方法并结合现有文献,选取了14个可能影响央行货币政策调控的经济变量,并通过随机森林模型和SHAP值法量化了这些变量对2003~2022年央行货币政策调控的影响程度。研究结果表明,在2003~2022年这段时期,以通胀缺口为主的泰勒规则和以中美10年期国债利差为代表的汇率因素在我国央行货币政策调控的参考指标中占据重要地位。有鉴于此,本文建议应通过重视通胀在宏观经济调控中的作用;加强对外汇市场的关注程度;深化利率市场化改革来完善货币政策调控。

关键词： 测井岩相分类   机器学习   线性回归分类   支持向量机   一维卷积神经网络  

摘要： 目前,在基于测井数据的岩相分类研究中,机器学习算法是一个研究热点.然而,实际上钻井取心极少,岩相样本匮乏,机器学习算法就会遇到过拟合问题,从而导致测井岩相分类效果不佳.因此,本文研究小样本环境下不同机器学习算法在测井岩相分类工作中的预测效果.以北美Panoma油气田数据集为例,通过逐步减少训练样本数量,建立了四种训练模式.同时,选用三类有代表性的有监督学习算法,以评估小样本环境下不同算法的预测效果,包括基于一般梯度下降的线性回归分类算法、支持向量机算法和一维卷积神经网络算法.在综合评价算法的预测效果时,选用了岩相分类准确率、总体岩相分类F1值、各岩相分类F1值以及有效识别最大相数.结果表明,随着训练样本数量的减少,三种算法的预测效果并未呈现线性下降趋势,且一维卷积神经网络较另外两种算法表现更为稳健.

关键词： 慢性心力衰竭   肺部感染   预测模型   SHAP算法   机器学习  

摘要： 目的 使用可解释性机器学习方法预测慢性心力衰竭(CHF)合并肺部感染患者的院内死亡风险。方法 回顾性分析MIMIC-IV数据库中诊断为CHF合并肺部感染的1415例患者病历信息。按病原体种类将患者划分为合并细菌性肺炎(841例)、合并非细菌性肺炎(574例)两个亚组,采用Kaplan-Meier生存曲线描述不同亚组的死亡风险差异。基于单因素分析和LASSO回归筛选特征。分别构建LR、AdaBoost、XGBoost、LightGBM模型,通过准确性、精确度、F1值、AUC等指标比较模型性能,使用eICU-CRD数据库进行外部验证。应用SHAP算法对XGBoost模型进行解释性分析。结果 内部测试集中XGBoost模型预测CHF合并肺部感染患者院内死亡风险的准确性高于其他模型。外部测试集显示,合并细菌性肺炎、合并非细菌性肺炎两亚组中XGBoost模型的AUC值分别为0.691(95%CI:0.654~0.720)、0.725(95%CI:0.577~0.782)。相较于其他模型,XGBoost模型表现出了更好的预测能力和稳定性。结论 在预测CHF合并肺部感染患者的院内死亡风险方面,XGBoost模型的综合表现优于其他3种模型。SHAP算法为模型提供了明确解释,有助于临床医生进行决策。

关键词： 街区形态设计   嵌入式方法   生成式模型   机器学习   智能设计  

摘要： 城市街区的形态与空间品质关系密切。在城市设计中借助智能工具实现街区形态的生成是辅助设计决策的一项典型应用。既有的生成式方法主要采用参数化建模、形流推理以及图像生成算法实现,缺少对街区尺度形态规律学习的过程因而难以处理复杂、精细的空间形态关系,生成令人满意的形态结果。因此,本研究在既有生成式方法基础上借鉴嵌入式系统理论,提出一种通过嵌入机器学习训练模块优化街区形态生成结果的综合性方法(简称“嵌入式机器学习方法”)。该方法包含高质量的训练数据、平衡的模型复杂度与性能、特征工程与模型优化能力、独立运行的学习模块以及支持开放接口与部署五个要素,实现在传统生成规则中增加弹性并且可控的人工神经网络,可根据设计需求对训练样本及模型进行自由组合,改善了既有算法的生成效果。该方法也增加了设计流程的灵活性,设计师可根据场地需要配置合适的训练样本,并通过预训练的方法将结果嵌入生成式系统中,从而实现快速、便捷的三维形态生成,辅助街区形态设计过程。文章阐述了一个探索性的实践案例,从模型目标、数据、训练过程等方面进行阐述,并结合生成结果对比探讨了该方法对传统生成方法的改进,结果表明采用嵌入式机器学习方法可以有效改善三维形态的特征细节,生成更契合场地特质的设计方案,为设计师带来有益启示。最后文章提出了嵌入式机器学习方法的未来开发潜力,为城市街区设计中的人工智能技术应用提出了新的思路和可能性。

关键词： China   Groundwater level   Random forest   PS-InSAR   k-nearest neighbor  

摘要： Land deformation is a severe environmental problem that is often caused by groundwater overexploitation. Traditional approaches, such as those based on ground leveling, are used as standard for monitoring land deformation, but they cannot collect enough information for land-deformation mapping. In this study, the time-series Persistent Scatterer Interferometry Synthetic Aperture Radar (PS-InSAR) was used as an improved method to identify land deformation in Cangzhou after the initiation of China's South-to-North Water Diversion Project (SNWDP). Machine learning (ML) models, including random forest and k-nearest neighbor, were used to determine the relationship between groundwater pressure and land deformation. The results showed that from 2018 to 2022, the deformation rate was up to -115 mm/year in Nanpi and Dongguang and varied between -57 and -26 mm/year in Qingxian and Cangxian. Land deformation after the SNWDP implementation was less than before. The ML models' results show that the accuracy of the random forest and k-nearest neighbor methods were 85 and 77%, respectively. Evaluation of the groundwater-level trend measured in six wells showed that after the SNWDP implementation, the groundwater pressure started to recover in Cangzhou, but a decline has been observed recently, particularly in 2022. The mean decrease in impurity (MDI) values demonstrates that aquifers IV and III contribute the most to land deformation in Cangzhou, with the highest MDI values of 33 and 26%, respectively. The study provides new insights into the evolution of regional land deformation, and the methods employed in this research can be adopted in other regions with similar conditions.

关键词： 细菌耐药性   表型预测   机器学习  

摘要： 随着我国经济迅速发展和医疗需求不断增长,人医临床、宠物临床和畜牧养殖行业中抗菌药物的使用愈发频繁,导致病原菌耐药问题日趋严峻,造成公共卫生安全隐患。快速、准确的细菌耐药表型检测能够有效指导临床医生对感染性疾病的诊断和治疗,降低由经验用药和不合理用药引发的耐药风险。然而,现有检测技术耗时较长且操作繁琐,难以在临床中推广,种类单一的快速检测试剂等产品又无法满足临床的多元化需求。因而,亟需开发新的技术方法以提供快速鉴定细菌耐药表型的有效解决方案。细菌的组学信息中蕴含大量与细菌耐药表型相关的特征,从中快速、准确地挖掘相关信息能够为快速诊断和治疗提供帮助。机器学习模型在处理复杂结构数据方面有显著优势,在挖掘组学信息工作中展示巨大应用潜力。随着该领域的快速发展,机器学习方法有望为临床快速、准确地预测耐药表型提供技术支持,助力医生诊疗准确性的提升。本综述系统总结了机器学习模型在细菌耐药表型预测领域的研究现状和发展趋势,并比较了不同机器学习方法的特点和性能,同时归纳总结细菌耐药表型预测建模工作所需的关键要素,为后续相关研究提供参考。

关键词： 数字化转型   CEO个人特征   事件预测   机器学习  

摘要： 数字化转型是战略驱动的组织变革过程,依赖高层管理者的认知与决策行为。基于高阶理论,采用机器学习的集成算法,构建高维预测模型,以2015-2022年我国A股上市公司为研究对象,考察并比较CEO多维个人特征对企业数字化转型水平的预测效果。研究发现:(1)从整体来看,CEO个人特征能够预测企业数字化转型水平,并且不同特征的预测能力具有差异;(2)从不同特征维度来看,在数字化技术驱动和数字化成果产出方面,与其他几个维度相比,CEO能力特征的预测能力最高,而在数字化技术应用于企业价值创造各环节方面,CEO心理特征的预测能力最高;(3)从单个特征来看,CEO所有权权力、开放性、任期、过度自信和年龄等5个特征表现出最佳的预测效果,是CEO促进企业数字化转型水平提升的关键个人特征要素。

关键词： 机器学习   滑坡   易发性制图   非滑坡样本选取   集成学习   三峡库区   工程地质  

摘要： 准确的滑坡易发性建模对预警预报和风险管控具有重要意义.针对机器学习技术建模中非滑坡样本随机选取和单个分类器存在的精度不高问题,提出了一种耦合多模型的区域滑坡易发性建模框架.以三峡库区秭归-巴东段为例,选取高程、坡度等12个因子构建评价指标体系,应用信息量法定量分析各指标对滑坡空间发育的影响程度.随机选取70%的滑坡作为训练样本,剩余的30%作为验证样本;应用逻辑回归模型(LR)制作研究区的初始易发性分区图,确定非滑坡随机采样的约束范围.随后,分别采用LR模型约束和无约束条件下随机选取的非滑坡样本,应用单个分类回归树(LR-CART和No-CART)及分类回归树-Bagging组合模型(LR-CART-Bagging和No-CART-Bagging)开展滑坡易发性建模,并应用多个指标进行精度评估.结果发现:高程和水系等是滑坡发育的主控因素;LR-CART-Bagging模型精度为0.973,高于LR-CART模型的0.889;相比于No-CART和No-CART-Bagging模型,LR-CART和LR-CART-Bagging模型精度分别提升了0.057和***模型可以有效约束非滑坡样本的选取范围,提升样本的选取质量;CART-Bagging模型综合了机器学习和集成学习的优势,预测性能更强,提出的LR-CART-Bagging模型是一种准确可靠的滑坡易发性建模方法.