关键词： “以电折水”系数   径向基函数神经网络模型   支持向量机回归模型   农业地下水开采计量  

摘要： 目前“以电折水”作为农业地下水开采量的间接计量方法,估算地区农灌机井“以电折水”系数对于地区地下水开采量准确计量至关重要。当前多数研究采用在灌溉机井出水口安装计量设施,直接测量机井单位时间内的抽水量与耗电量来计算“以电折水”系数的具体数值。相比之下,利用数学模型并结合相关影响因素对“以电折水”系数进行预测的研究较为稀缺。文章针对“以电折水”系数进行预测及分析研究,采用平均相对误差(MRE)、均方根误差(RMSE)以及决定系数(R^(2))对不同模型的预测准确性展开对比。研究表明,采用平均值法预测的“以电折水”系数误差平均为30.33%,表明该方法下的预测结果与实际数据之间的拟合度较低,精度欠佳;而使用径向基函数神经网络模型时,预测误差则降低至11.23%;支持向量机回归模型展现了良好的预测性能,其预测误差仅为9.29%,显示出最佳的数据拟合度与最高的预测精度。

关键词： 脑电图   情绪识别   支持向量机   核函数   机器学习  

摘要： 随着脑机接口技术的发展,基于脑电图(Electroencephalogram,EEG)信号的情绪识别成为研究热点。对比了支持向量机(Support Vector Machine,SVM)不同核函数在EEG情绪识别任务中的性能,并与决策树、随机森林和神经网络等常见机器学习方法进行了比较。基于DEAP数据集,通过对不同核函数(线性核、径向基核和多项式核)与其他模型的性能进行分析,发现随机森林在准确率和AUC值方面表现最佳。线性核SVM适用于数据线性可分的情况,而径向基核和多项式核的效果相对较差。此外,还探讨了神经网络的表现,并提出了优化模型和核函数选择的未来研究方向,旨在为基于EEG的情绪识别提供有价值的见解,并推动脑机接口技术的进步。

关键词： 牙周炎   诊断   龈沟液(GCF)   表面增强拉曼光谱(SERS)   机器学习方法  

摘要： 牙周炎是由菌斑生物膜引发,宿主免疫失衡介导的非特异性慢性炎症性疾病。我国牙周炎患病率远高于全球平均水平,因而牙周炎的早期诊断及预后监测具有重要意义。龈沟液(GCF)是指从牙龈结缔组织通过龈沟上皮和联合上皮渗透到龈沟的液体,临床研究表明GCF的变化可以在一定程度上反映出牙周炎的炎症程度。本文在查阅文献及前期工作基础上,综述了表面增强拉曼光谱(SERS)技术结合机器学习方法通过检测龈沟液早期诊断牙周炎的研究进展,该技术有望成为牙周炎的早期诊断及预后监测提供一种快速、灵敏、准确、无痛、简便的新方法。

关键词： 特发性膜性肾病   中医证候   机器学习方法   单因素分析   递归消除法   疾病进展风险预测模型  

摘要： 【目的】基于机器学习方法构建包含中医证候的特发性膜性肾病(IMN)患者的疾病进展风险预测模型,以期量化评价中医证候在IMN的疾病进展风险预测中的价值。【方法】利用单因素分析、递归消除法(RFE)和多因素二元Logistic回归分析方法筛选影响IMN的疾病进展风险的独立相关因素,并构建风险预测模型。将102例IMN患者按65∶35的比例随机分配至训练集和测试集,比较纳入或不纳入证候信息特征的风险预测模型的性能指标如精确度、敏感度、特异性、F1值和受试者工作特征(ROC)曲线下面积(AUC)的变化。【结果】未纳入证候信息特征之前,经单因素分析结合RFE筛选得到IMN患者年龄、血红蛋白定量、尿潜血、24 h尿蛋白定量、尿蛋白肌酐比、肾小球滤过率(eGFR)、肌酐、尿酸、谷丙转氨酶、抗磷脂酶A2受体抗体(PLA2R-Ab)、总胆固醇和低密度脂蛋白胆固醇共12个临床特征变量。构建含有上述变量的风险预测模型,经多因素二元Logistic回归分析后,结果显示训练组和测试组中以上临床变量均具有统计学意义,且该风险预测模型具有良好的敏感性和预测性。将证候信息特征纳入后再次运用RFE法,筛选出14个特征变量,其中血瘀证和湿阻证被纳入,结果显示风险预测模型的敏感度、特异性等指标较未纳入证候信息特征前有了明显的提高。【结论】研究结果初步表明中医证候是IMN的疾病进展风险预测重要的补充特征,可为今后中西医信息联合的智能化诊断提供参考,为后续的中医药治疗起到指导作用。

关键词： 非心脏外科手术   术后谵妄   机器学习   预测模型   Shapley加性解释  

摘要： 目的采用不同机器学习方法构建非心脏手术老年患者术后谵妄(POD)的预测模型其性能。方法收集2022年4月至2024年4月行非心脏手术的905例老年患者围术期资料,包括人口学特征、既往合并症、术前认知功能评估、实验室检查结果、麻醉记录单等共102个变量。采用单因素分析初步筛选危险因素,将有统计学差异(P<0.05)的变量纳入最小绝对收缩与选择算子(LASSO)筛选特征变量,应用随机森林(RF)、支持向量机(SVM)、自适应增强算法(Adaboost)和神经网络(NN)4种机器学习方法构建POD预测模型,采用受试者工作特征曲线下面积(AUROC)、精确度-召回率(PR)曲线的平均精度(AP)、Brier评分等对模型进行综合评估,引入Shapley加性解释(SHAP)对最优机器学习模型进行可解释化分析。结果有155例(17%)患者发生POD,经LASSO回归分析后,确定10个特征变量用于构建机器学习模型。4种机器学习模型中,RF的AUROC最高为0.90(95%CI 0.86~0.93),AP为0.8,Brier评分为0.086。SHAP模型解释性分析显示,对POD贡献度最高的是手术时间。结论在应用4种机器学习方法构建的非心脏手术老年患者POD预测模型中,RF的预测效能最佳。

关键词： 机器学习   企业管理   理论构建   范式跨越   混合方法  

摘要： 机器学习方法的引入对企业管理学者理解现象和构建理论带来的挑战与机遇并存。然而,目前学者们对于机器学习方法如何与既有研究范式相融合以赋能企业管理研究还缺乏系统和深入的理解。在对2000—2022年企业管理领域国内外顶尖期刊上发表的116篇文献进行梳理的基础上,本文识别了机器学习方法和企业管理研究相融合的四个阶段;介绍了有监督机器学习、无监督机器学习和强化学习三种技术在企业管理研究领域的应用中涉及的研究主题和存在的优劣势;阐释了机器学习为何适合及如何赋能理论构建和检验,进一步讨论了基于机器学习的溯因推理如何与传统的归纳推理及演绎推理协同互补,促进数据中稳健模式的识别,并利用混合方法推动理论的构建与检验。最后,本文以高管团队深层特征、战略管理、数字创新三个话题为例,展望了经典和前沿研究主题如何运用机器学习方法进行拓展和革新,并结合机器学习技术的进展预测如何进行跨学科借鉴。本文期待启发中国学者运用机器学习方法跨越研究范式,运用混合方法理解和解释现象,用突破性思维促进中国情境管理研究的理论创新,为中国企业管理实践提供理论支撑。

关键词： 甲状腺癌   免疫浸润   机器学习   生物标志物  

摘要： 目的旨在确定甲状腺癌(thyroid cancer,TC)中潜在的生物标志物,并探讨相关差异基因和免疫微环境在甲状腺癌中的作用和机制。方法正常和TC基因表达谱微阵列芯片来自基因表达综合(gene expression omnibus,GEO)数据库。为了识别具有高度相关甲状腺癌特征的差异表达基因(highly differentially expressed genes,HDEGs),使用了LASSO和机器学习-随机森林方法取交集。TCGA数据库来验证HDEGs表达及预后。应用单样本基因集富集分析(single-sample gene set enrichment analysis,ssGSEA)算法来观察TC的免疫浸润特性及其与目标基因的关系。结果在使用机器学习、LASSO等方法比较甲状腺癌样本与正常甲状腺样本的转录组数据后,发现CFD,RNF150,CCL21,RPS6KA5,TMEM139和DPT在甲状腺癌中均显著下调,CD93则在甲状腺癌中显著上调。RNF150、RPS6KA5、TMEM139和CD93的高表达组预后明显优于低表达组。使用ssGSEA算法,发现TC中7种类型的免疫细胞浸润显著差异,并且与HDEGs具有良好的相关性。结论可能通过诱导免疫炎症来促进甲状腺癌的进展。CFD,RNF150,CCL21,RPS6KA5,TMEM139,CD93和DPT可用作TC的新型诊断生物分子标志物和潜在的治疗靶点。

关键词： 医学知科研档案   知识图谱   机器学习方法  

摘要： 为解决科研档案资源中知识关联度差、开发利用程度不高等问题,本文构建医学科研档案领域知识图谱。通过运用机器学习方法从医学科研档案中提取医学知识,并经过数据收集与预处理、实体识别与关系抽取、知识融合与消歧、图谱优化与评估等流程来整合各种数据和知识,揭示数据之间隐含的关联。本文的研究结果可为促进科研档案开放利用和辅助科研档案资源智能化管理与知识服务工作提供一定的借鉴。

关键词： 流态化   循环流化床   k-means机器学习   颗粒聚团   预测  

摘要： 循环流化床因其优良的气固接触特性在工业生产中的应用十分广泛。颗粒聚团的存在影响着气固相互作用和传热传质,进而影响产品收率和选择性。为了更高效和深入地研究循环流化床内的颗粒聚团现象,本研究利用高速摄像系统对U_(g)=5~9m/s、G_(s)=50~300kg/(m^(2)·s)的二维循环流化床内的流场结构进行了可视化采样。采用k-means机器学习算法辅助图像处理,实现复杂流场中颗粒聚团的识别以及定量表征。结果表明,当U_(g)=9m/s时,随着G_(s)由50kg/(m^(2)·s)增大至300kg/(m^(2)·s),颗粒聚团频率由116Hz增加到327Hz,增长了近2倍。平均颗粒聚团浓度在横向截面中心区域y/Y=0~0.7处分布较为均匀,在y/Y=0.7~0.9的边壁处迅速增大。边壁处平均颗粒聚团浓度的变化幅度约为中心区域的3倍。平均颗粒聚团速度以及平均颗粒等效直径在横向上均表现出相同的变化趋势,均由中心向边壁递减。结合实验数据,对不同聚团参数进行拟合,获得了定量预测各个参数的关联式。对比实验数据与预测数据发现,本实验建立的定量关联式获得的预测结果相对误差均在30%以下。本研究结果定量地揭示了循环流化床内各颗粒聚团特性的分布规律,可以为循环流化床气固流动模型开发和过程强化提供数据参考。

关键词： 心力衰竭   生存预测   用药策略   机器学习方法   Cox模型  

摘要： 本文首先基于Cox生存模型和多种机器学习方法来构建心衰患者的生存预测模型,通过正则化方法识别出对心衰疾病具有重要影响的生物标记特征,并对所构建的五种生存预测模型的预测效果进行了比较分析,发现Cox回归模型和随机森林方法对心衰患者的生存预测效果是最为显著的。考虑到合理的用药策略不仅能够改善患者的结局,还能减轻患者的经济负担,因此本文将识别出的与心衰患者生存时间最为相关的五个风险因素进行了特征排名,依据单变量检验法和机器学习算法的排序结果确定出最为关键的两个特征指标,分别是射血分数和血清肌酐,进而通过构建Markov模型来比较和评估调节射血分数的药物的治疗效果和经济效用。总而言之,人工智能与医疗大数据的不断融合与创新为精准预测心衰患者的生存风险和精准识别影响心衰疾病的关键生物指标提供了可能,结合长期用药带来的经济负担,这些识别出的关键生物指标能为用药策略或治疗策略的制定提供有效的指导。This article initially constructs a survival prediction model for heart failure patients based on the Cox survival model and various machine learning methods. Through regularization methods, it identifies biomarkers that have a significant impact on heart failure disease. A comparative analysis of the predictive effects of the five constructed survival prediction models reveals that the Cox regression model and the random forest method exhibit the most notable predictive effects for heart failure patients’ survival. Considering that a rational medication strategy can not only improve patient outcomes but also alleviate their economic burden, this study ranks the five risk factors most closely associated with the survival time of heart failure patients. Based on the results of univariate tests and the ranking from machine learning algorithms, the two most critical feature indicators are identified as ejection fraction and serum creatinine. Subsequently, a Markov model is constructed to compare and assess the therapeutic efficacy and economic utility of medications that regulate ejection fraction. In summary, the continuous integration and innovation of artificial intelligence with medical big data provide possibilities for the precise prediction of heart failure patients’ survival risks and the accurate identification of key biological indicators affecting heart failure disease. Combining the economic burden of long-term medication, these identified key biological indicators can offer effective guidance for the formulation of medication or treatment strategies.