機器學習論文（研究熱點6篇）,計算機應用技術論文

機器學習論文〔研究熱點6篇〕,計算機應用技術論文本篇論文目錄導航：【】機器學習論文〔研究熱門6篇〕【】【】【】【】機器學習是一門多領域穿插學科，牽涉概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。它是人工智能核心，是使計算機具有智能的根本途徑。下面我們就為大家介紹幾篇關于機器學習論文范文，供應大家參考。機器學習論文范文：機器學習算法在腦卒中診治中的應用現(xiàn)在狀況及瞻望武勝勇何倩郭軼斌吳騁作者海軍軍醫(yī)大學衛(wèi)生勤務學系軍事衛(wèi)生統(tǒng)計學教研室世界衛(wèi)生組織統(tǒng)計表示清楚，當前腦卒中已在全球死亡原因中躍升至幅原因，還有一些已有應用的機器學習算法，如樸素貝葉斯分類器[38]、算法梯度提升樹[39]等，沒有能做具體描繪敘述，有興趣的讀者可參閱相關文獻。當前機器學習已廣泛應用于腦卒中的診療經過中，并在疾病診斷、趨勢預測等方面獲得了較好的成績。將來的醫(yī)學研究，將會愈加注重多種來源數(shù)據(jù)的整合分析，其數(shù)據(jù)量更大、數(shù)據(jù)構造更復雜，進而導致對分析方式方法的要求也更高層次。機器學習在處理這些類型數(shù)據(jù)中具備傳通通計學方式方法不具備的優(yōu)勢，正逐步成為醫(yī)療科研中不可或缺的一部分，將來也將在腦卒中防治領域發(fā)揮更大的作用。以下為參考文獻[1]GlobalBurdenofDiseaseStudy2020Collaborators.Global,regional,andnationalincidence,prevalence,andyearslivedwithdisabilityfor301acuteandChronicdiseasesandinjuriesin188countries,1990-2020:asystematicanalysisfortheGlobalBurdenofDiseaseStudy2020.Lancet,2021,386〔9995〕：743-80.[2]EmeliaB,SalimV,ClitonC,etal.Correctionto:HeartDiseaseandStrokeStatistics-2021Update:AReportFromtheAmericanHeartAssociation.Circulation,2021,137〔12〕：e493.[3]孫海欣，王文志中國60萬人群腦血管病流行病學抽樣調查報告中國當代神經疾病雜志，2021,18〔2〕：83-88.[4]宋偉才，吳建盤，李楊，等腦卒中發(fā)病與年齡、職業(yè)、時間、氣候等方面關系的統(tǒng)計分析中國衛(wèi)生統(tǒng)計，2020,31〔4〕：648-650.[5]ChayakritK,HongjuZ,ZhenW,etal.ArtificialIntelligenceinPrecisionCardiovascularMedicineJAmCollCardiol,2021,69〔21〕：2657-2664.[6]HarisK,VictorL,SunilS.MachineLearninginAcuteIschemicStrokeNeuroimaging.FrontNeurol,2021,9:945.[7]潘群，王麗瓊腦卒中高危人群施行健康管理效果評價分析中國衛(wèi)生統(tǒng)計，2021,34〔3〕：443-444.[8]KumardeepC,OlivierP,LiangqunL.etal.DeepLearning-BasedMulti-OmicsIntegrationRobustlyPredictsSurvivalinLiverCancer.ClinicalCancerResearch,2021,24〔6〕：clincanres.0853.2021.[9]BinZ,Nans,RonglaiS,etal.IntegratingClinicalandMultipleOmicsDataforPrognosticAssessmentacrossHumanCancers,2021.7〔1〕：16954.[10]DanieleR,CharenceW,FaniD.etal.DeepLearningforHealthInformatics.IEEEJournalofBiomedicalHealthInformatics2021,21〔1〕：4-21.[11]RahulD.MachineLearninginMedicine.Circulation,2021,132〔20〕：1920-1930.[12]BokkyuK,CaroleeW.CanNeurologicalBiomarkersofBrainImpairmentBeUsedtoPredictPoststrokeMotorRecovery?ASystematicReview.NeurorehabilNeuralRepair,2021,31〔1〕：3-24.[13]李浩，陳緋，高青，等。心理護理綜合干涉對腦卒中患者生命質量及主觀幸福感的影響中國衛(wèi)生統(tǒng)計，2021,34〔5〕：741-744.[14]ChinghengL,KaichengH.,KoryJ,etal.Evaluationofmachinelearningmethodstostrokeoutcomepredictionusinganationwidediseaseregistry.ComputMethodsProgramsBiomed,2020,190:105381.[15]KalungC.XinyiL.WeiZ.etal.EarlyIdentificationofHigh-RiskTIAorMinorStrokeUsingArtificialNeuralNetwork.FrontNeurol,2022,10:171.[16]KingH,Williams,HaoyueZ.etal.AMachineLearningApproachforClassifyingIschemicStrokeOnsetTimeFromImaging.EEETransMedImaging,2022,38〔7〕：1666-1676.[17]KonstantinaK,ThemisE.KonstantinosE,etal.Machinelearningapplicationsincancerprognosisandprediction.ComputStructBiotechnolJ,2021,13:8-17[18]AndrewH,OmarE,RebeccaM.etal.Asupportvectormachineforpredictingdefirillationoutcomesfromwaveformmetrics.Resuscitation,2020,85〔3〕：343-349.[19]張麗娜，李國春，周學平，等基于支持向量機的急性出血性腦卒中早期預后模型的建立與評價南京醫(yī)科大學學報〔自然科學版〕，2021,36〔1〕：80-84.[20]HamedA,RichardD,BernardY,etal.Machinelearningforoutcomepredictionofacuteischemicstrokepostintra-arterialtherapy.PLoSOne,2020,9〔2〕-e88225.[21]PaulB,JebanG,AnomaJ,etal.PredictionofstrokethrombolysisoutcomeusingCTbrainmachinelearning.NeuroimageClin,2020,4:635-640.[22]PaulB,JebanG.AnomaJ,etal.MachineLearning-BasedModelforPredictionofOutcomesinAcuteStrokeStroke,2022,50〔5〕：1263-1265.[23]VeraH.HenrikN,JuliaH,etal.ANovelEasy-to-UsePredictionSchemeforUpperGastrointestinalBleeding:Cologne-WATCH〔C-WATCH〕RiskScore.Medicine〔Baltimore〕，2021,94〔38〕：e1614.[24]郭長滿，郭敏，劉媛媛，等機器學習算法在預測男男性行為人群中HIV感染的應用中國衛(wèi)生統(tǒng)計，2022,36〔1〕：28-31,35.[25]LiW,YaozongG,FengS,etal.LINKS:learning-basedmulti-sourceIntegratioNframeworKforSegmentationofinfantbrainimagesNeuroimage,2021,108:160-172.[26]AnnaB,AndrewZ,XavierM.lmageClassificationusingRandomForestsandFerns.IEEE11thInternationalConferenceonComputerVision,ICCV2007,RiodeJaneiro,Brazil,October14-20,2007.[27]JunggyuY,NedaZ,SangS.InterrelationshipbetweenthegeneralcharacteristicsofKoreanstrokepatientsandthevariablesofthesexualfunctions.randomforestandboostingalgorithm.JPhysTherSci,2021,29〔4〕：613-617.[28]文天才，劉保延，張艷寧缺血性腦卒中患者31天內非計劃性再入院風險因素研究：隨機森林模型中國循證醫(yī)學雜志，2022,19〔5〕：532-538.[29]AntonioC,JamieS,EnderK.DecisionForests:AUnifiedFrameworkforClassification,Regression,DensityEstimation,ManifoldLearningandSemi-SupervisedLearning.FoundationsTrendsinComputerGraphicsVision,2020.7〔2-3〕：81-227.[30]徐繼偉，楊云集成學習方式方法：研究綜述云南大學學報〔自然科學版〕，2021,40〔6〕：36-46.[31]陳伽洛，陳龍然決策樹與隨機森林。信息與電腦〔理論版〕。2022,17:43-45.[32]MirH,GillianS,PavelH,etal.MachineLearningApproachesinCardiovascularImaging.CircCardiovascImaging,2021,10〔10〕：e005614.[33]HamidrezaS,MelekS,GaryR,etal.Predictiveanalyticsandmachinelearninginstrokeandneurovascularmedicine.NeurolRes,2022,41〔8〕：681-690.[34]譚英，耿德勤，黃水平用人工神經網絡建立缺血性腦卒中復發(fā)的預測模型中國衛(wèi)生統(tǒng)計，2020,30〔5〕：687-689.[35]DantonC,NigamS,DavidM.lmplementingMachineLearninginHealthCare-AddressingEthicalChallenges.NEnglJMed,2021,378〔11〕：981-983.[36]HowardB,RobertG,PhilF.DataSharing:AnEthicalandScienticImperative.JAMA,2021,315〔12〕：1237-1239.[37]EunjaeL,YonghwanK,NamkugK.etal.DeepintotheBrain:ArtificialInelligenceinStrokeImaging.JStroke,2021.19〔3〕：277-285.[38]葛金卓，彭雪楠，趙春華，等基于貝葉斯多水平模型的平均血糖構建與應用。衛(wèi)生研究，2022.48〔4〕：664-667.[39]鞏曉文，鳳思苑，崔壯，等?；赟VGD分類預測的梯度提升機與隨機森林的性能比擬中國衛(wèi)生統(tǒng)計，2022,36〔5〕：674-677.文獻武勝勇，何倩，郭軼斌，吳騁。機器學習算法在腦卒中診治中的應用現(xiàn)在狀況及瞻望[J].中國衛(wèi)生統(tǒng)計，2021,38〔03〕：464-467.機器學習論文范文：機器學習CNN模型在心血管疾病診療中的臨床應用及研究進展艾克力亞爾艾尼瓦爾馬翔作者新疆醫(yī)科大學研究生院新疆醫(yī)科大學第一附屬醫(yī)院內容摘要：近年來隨著計算機技術的發(fā)展，機器學習領域的發(fā)展越來越迅速，因其具有模擬人腦解釋數(shù)據(jù)的功能，借助計算機強大的整合數(shù)據(jù)的能力，被廣泛地應用于臨床，為疾病的診斷、預后分析、診療決策的制定等方面提供了方便?，F(xiàn)扼要概述用于構建推論和預測數(shù)據(jù)驅動的CNN模型在心血管疾病診療中的臨床應用及研究進展，分析該模型在心血管疾病應用上的優(yōu)勢以及缺乏。Abstract:Inrecentyears,withthedevelopmentofcomputertechnology,thefieldofmachinelearningisdevelopingmoreandmorerapidly.Withthefunctionofimitatinghumanbraintointerpretdataandthepowerfulabilityofcomputertointegratedata,machinelearninghasbeenwidelyusedinclinicalpractice,whichprovidesconvenienceforprognosisanalysis,diagnosisandtreatmentofdiseases.Inthisreview,webrieflysummarizedtheclinicalapplicationandresearchprogressofthemachinelearningCNNmodelusedtoconstructinferenceandpredictiondata-drivenmodelinthediagnosisandtreatmentofcardiovasculardiseases,andanalyzeditsadvantagesanddisadvantagesintheapplicationofcardiovasculardiseases.Keyword:Machinelearning;Deeplearning;Convolutionalneuralnetwork;Cardiovasculardiseases;人工智能自20世紀60年代提出以來，發(fā)展迅速，機器學習作為實現(xiàn)人工智能的方式方法，用來解析和學習數(shù)據(jù)，通過算法完成數(shù)據(jù)整合任務。深度學習是當前最前沿的機器學習模型，其獨有的自動提取特征的特點，使人工算法為臨床所用。中國心血管疾病人群龐大，臨床醫(yī)生數(shù)量缺口大，往往無法知足患者就醫(yī)需求，因而機器學習被應用到心血管疾病診療中。1機器學習1.1機器學習概述機器學習近年來被廣泛應用在臨床診療中。深度學習屬于機器學習的一種，通過黑匣子[1]自動學習數(shù)據(jù)的特征和關系，在閱讀醫(yī)學圖像數(shù)據(jù)，診斷疾病及疾病危險分層等方面具有宏大潛力[2,3].機器學習通過組成簡單但非線性的模塊來獲得，每個模塊將一個層次的信息轉換為一個更高層次、略微抽象的層次的表示。在臨床常應用的模型是卷積神經網絡〔convolutionalneuralnetwork,CNN〕模型[4,5],應用于X射線、CT、MRI和超聲心動圖等影像學檢查，可以用于心電圖的輔助診斷[6,7,8,9].其辨別圖像的基本步驟為：辨別圖像特征，圖像分類，對圖像進行分割，評估圖像形態(tài)構造的測量和量化、辨別圖像[10].1.2CNNCNN是一類指導學習網絡，能夠自主感悟輸入與輸出之間的映射關系，進而分析和處理數(shù)據(jù)[11].為了建立CNN模型，需要收集大量臨床信息、影像學資料和隨訪資料，并根據(jù)資料特征分類。以影像學資料為例，在訓練經過中〔見圖1〕，CNN[4]模型首先會看到一幅圖像即輸入層，計算機理解為輸入若干個矩陣，會把圖片光柵化，以像素形式存在，并以分數(shù)向量的形式輸出結果，進入卷積層，通太多個可訓練的濾波器和加權偏置進行卷積，卷積后進入池化層產生若干個映射圖，特征映射圖中每組多個像素進行求和、加權值和加偏置，緊接著通過一個函數(shù)得到多個下一層的特征映射，并通過與上一層一樣的方式方法產生下一層映射，每一層都可提取上一層的局部特征，局部特征確實定意味著兩層間關系確實立，最終通過特定排列檢測圖像邊緣，將圖案組合匹配更大的圖案組合得到輸出結果[12].卷積層與池化層的組合能夠在隱藏層出現(xiàn)很屢次，出現(xiàn)次數(shù)是根據(jù)模型的需要而來的。選取的函數(shù)是根據(jù)對默認參數(shù)和二進制穿插熵的要求來進行選定，常用函數(shù)有RELU函數(shù)和sigmoid函數(shù)等。最后一次池化結束后，進入全連接層，將分布式特征映射到樣本標記空間，實現(xiàn)對圖形分類并輸出結果。以上就是CNN模型對影像學資料深度學習的基本流程，對于臨床資料的學習，可省去圖片光柵化的經過，后面的流程與影像學資料學習經過一致。圖1CNN模型示意圖2在心血管疾病方面的應用2.1在輔助檢查的應用2.1.1CTCT在臨床上常用于先天性心臟病、主動脈夾層和冠心病等的診斷，然而主要為二維成像，且心臟具有特殊構造，導致CT掃描無法顯示清楚，對臨床診斷造成干擾。Tatsugami等[13]通過深度學習混合迭代重建方式方法改善冠狀動脈CT血管成像圖像質量，Bruns等[14]使用深度學習模型，在冠狀動脈CT血管成像中進行全心分割，量化心臟測量結果。深度學習模型通過訓練大數(shù)據(jù)，對圖片上極小的像素位置差異進行辨別，可以優(yōu)化影像學資料，為疾病的診斷提供極大的幫助。2.1.2超聲心動圖超聲心動圖是利用超聲技術獲取心臟及其周圍構造的高時空分辨率圖像，然而心臟的構造復雜，圖像固有的斑點噪聲，超聲圖像相位及心臟輪廓模糊等因素，為臨床診療帶來不便。CNN模型可對超聲心動圖進行適宜的分割[15],自動測量左室射血分數(shù)，對心尖二腔切面和心尖四腔切面進行準確分割，并可辨別節(jié)段性室壁運動異常[16],且判讀能力優(yōu)于低年資醫(yī)生，并到達專家水平。該模型[17]甚至能夠通過超聲心動圖自動檢測肥厚型心肌病、心臟淀粉樣變和肺動脈高壓〔見表1〕。2.1.3心電圖心電圖是一種常用診斷心血管疾病的工具，但偶然會發(fā)生漏讀或誤讀[18].近年來，不少研究通過深度學習模型閱讀心電圖[19].心電圖的自動分析依靠于兩階段的方式方法，首先需要人根據(jù)原始心電數(shù)據(jù)提取特征[20],然后部署決策規(guī)則或其他機器學習方式方法來生成最終結果。心電圖還具有容易受干擾的特點，因而去噪成為了深度學習所要克制的另一大難題。Zhao等[21]采用了一種廣泛應用的深度學習技術來進行心電去噪。除此之外，心電圖具有一維圖像的特點，分類常用的CNN有兩種：一維CNN[22]和二維CNN[23].這些模型能夠做到心律失常的檢測[24,25]和分析ST段的變化[26].深度學習模型擅于閱讀二維的圖片如CT和MRI等，由于心電圖的特殊性，往往需要必要的手段對圖片進行加工或使用專用模型才能閱讀。由于這些因素的限制，當前的手段只能讓深度學習模型閱讀簡單的心電圖結果，隨著計算機科學的發(fā)展，在不久的將來會出現(xiàn)合適閱讀復雜心電圖的深度學習模型。表1CNN模型輔助檢查利用2.2在心血管疾病危險分層的應用在日常對心血管疾病的診療經過中，對心血管疾病的危險分層尤為重要，臨床上常使用TIMI評分、GRACE評分及ACTION評分，然而傳統(tǒng)評分過分依靠于實驗室指標，往往無法早期評估病情[27].心血管疾病治療方式方法的發(fā)展，以及新的心血管藥物的出現(xiàn)對心血管疾病的危險分層帶來新的挑戰(zhàn)，因而，借助深度學習模型探尋求索心血管疾病危險分層的新方式方法成為近年來的熱門〔見表2〕。Kwon等[28]對急性心肌梗死患者的數(shù)據(jù)進行分析，使用CNN模型對其危險度進行分層〔DAMI評分〕的表現(xiàn)與GRACE評分、ACTION評分以及TIMI評分進行了比擬。結果發(fā)現(xiàn)模型評估ST段抬高心肌梗死和非ST段抬高心肌梗死危險分層的能力明顯優(yōu)于這三種評分。除此之外，在6個月的隨訪中，由DAMI定義的高危組的死亡率顯著高于低危組。Huo等[29]提出了一個機器學習模型，通過分類分析將以往確診和誤診的主動脈夾層進行分類，可幫助醫(yī)師快速發(fā)現(xiàn)所有誤診的主動脈夾層陽性患者，評估入院后病情進展。通過對實際病例數(shù)據(jù)的訓練，該預測模型能夠確定患者的優(yōu)先等級。深度學習介入對心血管疾病危險分層準確性更高層次，但在一定程度上依靠于心血管醫(yī)生對患者臨床信息的把握，準確及全面的疾病信息能夠使深度學習模型發(fā)揮出更好的作用。傳統(tǒng)評分已通過大量臨床病例考驗并沿用至今，深度學習模型病例數(shù)較少，還需要大量臨床實踐驗證其臨床實用性。表2疾病風險估計及預后預測2.3在評估心血管疾病預后的應用心血管疾病一級預防的關鍵策略是預測,以往用來預測心血管疾病的手段甚少，常用的心血管疾病預測手段也并非特別準確[30].深度學習模型能夠發(fā)現(xiàn)臨床醫(yī)生無法發(fā)覺的細微病情變化，并使用大數(shù)據(jù)模型很好地預測病情。Wu等[31]收集了急診就診的胸痛患者的數(shù)據(jù)，建立一個深度學習模型來預測患者的非ST段抬高心肌梗死。Kwon團隊[32]借助深度學習模型對心力衰竭患者進行預后分析的一項研究發(fā)現(xiàn)，與現(xiàn)有的風險評分和其他機器學習模型相比，他們的這個模型能更準確地預測急性心力衰竭患者的住院和長期死亡率。Zack等[33]為了確定深度學習模型能否能夠更好地預測經皮冠狀動脈參與治療后存在死亡或充血性心力衰竭再住院風險，評估了11709例不同的患者，研究發(fā)現(xiàn)深度學習模型具有更好的預測能力。Commandeur等[34]在一項前瞻性研究中用CNN模型評估了心外膜脂肪組織，評估冠狀動脈鈣化分數(shù)，并納入了必要的臨床指標，將這些臨床資料用來訓練機器學習模型，用模型給受試者評分，將得分與動脈粥樣硬化風險評分相比擬，發(fā)現(xiàn)機器學習評分有更好的預測能力。心血管疾病具有發(fā)病迅猛的特點，因而通過心血管疾病危險因素預測心血管疾病的發(fā)生尤為重要，以往只能通過疾病危險因從來判定疾病發(fā)生的可能性，將深度學習模型引用到疾病預測的手段當中，能夠量化疾病風險，甚至能夠提早發(fā)現(xiàn)最危險因素，并在未病階段進行有效干涉，為疾病治療贏取時間。然而，深度學習模型需要依靠檢查結果，無法像人那樣僅根據(jù)臨床表現(xiàn)對疾病預后進行評估，該模型當前階段僅適用于能夠完善初期檢查的病情變化較緩慢的疾病。3總結與瞻望使用機器學習模型對各類心血管疾病的診斷以及評估是一種非?？陀^的方式方法，在模型訓練準確的情況下，不會出現(xiàn)因評估醫(yī)生能力不同而產生誤差的情況，且這類模型對各種輔助檢查圖像的改善、圖像的解讀、心電圖的閱讀具有優(yōu)秀表現(xiàn)。模型對疾病輕重緩急能夠進行迅速評估，準確度普遍高于傳統(tǒng)的評分標準，為臨床治療贏取時間。模型還能夠減少臨床醫(yī)生的負擔，提升基層醫(yī)院診斷水平。深度學習模型另一個潛在應用能夠將實時圖像與之前影像學檢查的圖像進行自動比擬，進而使解讀的醫(yī)生能夠更直觀地了解疾病進程。然而，當前的模型還需更多的試驗去驗證，深度學習的方式方法是一個黑匣子,無法準確了解計算機模型中各個臨床指標的實際作用，這種未知因素會帶來一定的風險甚至會帶來醫(yī)療糾紛。深度學習模型的建立往往需要大量的臨床資料，而由于罕見病臨床資料較少，因而機器學習模型可能無法適用于罕見病。模型對錄入數(shù)據(jù)要求高，假如輸入的數(shù)據(jù)質量較差或有偏差，解釋的質量也會較差，除此之外，必須強調開創(chuàng)建立數(shù)據(jù)的統(tǒng)一標準，進而允許不同算法之間的集成，允許算法在不同的設備上運行。2020年，谷歌的研究人員[35]公布已找到破解深度學習黑匣子的方式方法，也許在不久的將來，深度學習模型會變得愈加安全，機器學習將來還是一種不可忽視的輔助醫(yī)療氣力，其現(xiàn)有的缺點也將會漸漸被改良。以下為參考文獻[1]LeeG,FujitaH.Deeplearninginmedicalimageanalysis.challengesandapplications[M].Berin.Germany:SpringerInternationalPublishing,2020:18-19.[2]LinS,LiZ,FuB.etal.Feasibilityofusingdeeplearningtodetectcoronaryarterydiseasebasedonfacialphoto[J].EurHeartJ,2020.41〔46〕。4400-4411.[3]AvramR,OlginJE,KuharP,etal.Adigitalbiomarkerofdiabetesfromsmartphonebasedvascularsignals[J].NatMed,2020,26〔10〕：1576-1582.[4]SrinivasanS,GreenspanRJ,StevensCF,etal.Deep〔er〕Learning[J].JNeurosci,2021,38〔34〕：7365-7374.[5]LeCunY,BengioY.HintonG.Deeplearning[J].Nature.2021,521〔7553〕：436-444.[6]KolossvaryM,deCeccoCN.FeuchtnerG,etal.AdvancedatherosclerosisimagingbyCT:radiomics,machinelearninganddeeplearning[J].JCardiovascComputTomogr,2022,13〔5〕：274-280.[7]LundervoldAS,LundervoldA.AnoverviewofdeepleamninginmedicalimagingfocusingonMRI[J].ZMedPhys,2022,29〔2〕-:102-127.[8]GandhiS,MoslehW,ShenJ,etal.Automation,machinelearning,andartificialintelligenceinechocardiography:abravenewworld[J].Echocardiography,2021,35〔9〕：1402-1418.[9]KhatibiT,RabinezhadsadatmahalehN.ProposingfeatureengineeringmethodbasedondeeplearningandK-NNsforECGbeatclassificationandarrhythmiadetection[J].AustralasPhysEngSciMed,2022Nov26.DOl:10.1007/s13246-019-00814-W.[10]KusunoseK.Radiomicsinechocardiography:deeplearningandechocardiographicanalysis[J].CurrCardiolRep,2020,22〔9〕：89.[11]RawatW,WangZ.Deepconvolutionalneuralnetworksforimageclassification:acomprehensivereview[J].NeuralComput,2021.29〔9〕：2352-2449.[12]SchwendickeF,GollaT,DreherM.etal.Convolutionalneuralnetworksfordentalimagediagnostics:ascopingreview[J].JDent,2022.99〔7〕：769-774.[13]TatsugamiF,HigakiT,NakamuraY,etal.Deeplearning-basedimagerestorationalgorithmforcoronaryCTangiography[J].EurRadiol,2022,29〔10〕：5322-5329.[14]BrunsS,WolterinkJM,TakxRAP,etal.Deeplearningfromdual-energyinformationforwhole-heartsegmentationindual-energyandsingle.energynoncontrast-enhancedcardiacCT[J].MedPhys,2020.47〔10〕：5048-5060.[15]蔣建慧，姚靜，張艷娟，等?；谏疃葘W習的超聲自動測量左室射血分數(shù)的研究[J].臨床超聲醫(yī)學雜志，2022,21〔1〕：70-74.[16]KusunoseK,AbeT.HagaA.etal.Adeeplearningapproachforassessmentofregionalwallmotionabnormalityfromechocardiographicimages[J].JACCCardiovascImaging,2020,13〔2Pt1〕：374-381.[17]ZhangJ,GajalaS..AgrawalP,etal.Fullyautomatedechocardiograminterpretationinclinicalpracticefeasibilityanddiagnosticaccuracy[J].Circulation,2021,138〔16〕：1623-1635.[18]LiuW,WangF,HuangQ,etal.MFB-CBRNN:ahybridnetworkforMIdetectionusing12-leadECGs[J].IEEJBiomedHealthInform,2020,24〔2〕：503-51[19]SiontisKC,Yaox.PiruccelloJP,etal.Howwillmachinelearninginformtheclinicalcareofatrialfirilation?[J].CircRes,2020,127〔1〕：155-169.[20]BeloD,BentoN,SilvaH,etal.ECGbiometricsusingdeeplearningandrelativescorethresholdclassification[J].Sensors〔Basel〕，2020,20〔15〕：4078.[21]ZhaoZ,LiuC,LiY,etal.NoiserejectionforwearableECGsusingmodifiedfrequencyslicewavelettransformandconvolutionalneuralnetworks[J].IEEEAccess.2022,7〔1〕：34060-34067.[22]ZhaoL,LiuC,WeiS,etal.Enhancingdetectionaccuracyforclinicalheartfailureutilizingpulsetransittimevariabilityandmachinelearning[J].IEEEAccess,2022,7〔1〕：17716-17724.[23]HuangJ,ChenB,YaoB,etal.ECGarrhythmiaclassificationusingSTFT-basedspectrogramandconvolutionalneuralnetwork[J].IEEEAccess,2022,7〔1〕：92871-92880.[24]WotokK,WoOkA.Earlyandremotedetectionofpossibleheartbeatproblemswithconvolutionalneuralnetworksandmultipartinteractivetraining[J].IEEEAccess,2022,7〔1〕：145921-145927.[25]YOldoromo,PDawiakP,TanRS,etal.ArrhythmiadetectionusingdeepconvolutionalneuralnetworkwithlongdurationECGsignals[J].ComputBiolMed,2021,102:411-420.[26]WangP,HouB,ShaoS,etal.ECGarrhythmiasdetectionusingauiliaryclassifergenerativeadversarialnetworkandresidualnetwork[J].IEEEAccess,2022,7〔99〕：100910-100922.[27]PoldervaartJM,LangedjkM,BackusBE,etal.ComparisonoftheGRACE,HEARTandTIMIscoretopredictmajoradversecardiaceventsinchestpainpatientsattheemergencydepart