forest什么意思翻译中文
糖尿病肾病(Diabetic Kidney Disease,简称DKD)是一种在糖尿病患者中十分常见的微血管并发症,它既是导致终末期肾病(End-Stage Renal Disease,简称ESRD)的最主要因素P,同时也是诱使心血管疾病发病的重要原因。
在过去的30多年内,糖尿病以及糖尿病肾病的发病率在不断增加。目前针对 DKD并没有彻底的治愈措施,且当患者发展到晚期时必须进行肾透析、肾移植等治疗,这对患者的生命安全构成了极大的威胁。因此,针对DKD进行早筛与预防有重要意义。
在临床中通常使用微量白蛋白尿、蛋白尿和肾小球滤过率(estimated glomerularfiltration ratio,简称eGFR)等预测指标对DKD进行早期诊断,但想要通过这种方式获得准确的早筛结果不仅耗时长、成本高,且随着研究的深入,越来越多的研究人员发现使用这些预测指标进行早期诊断是不够充分和可靠的。
![](https://p0.ssl.img.360kuai.com/t01f0d026f71e2cc82e.jpg?size=889x500)
糖尿病肾病作为一种肾脏疾病,在临床医学中通常使用微量白蛋白尿、蛋白尿等生物标志物和肾小球过滤速率等进行早期诊断或预测,但由于糖尿病肾病早期具有隐匿性以及糖尿病发病机制具有多样性,使用这些方法对糖尿病肾病进行早筛时需要长期且多次对患者的相关生物标志物进行测定,在临床实践中耗时过长且成本较大。
随着电子病历系统在医院中的逐渐推广,基于电子病历数据建立机器学习预测模型对糖尿病肾病进行风险预测是一种更符合临床应用场景的方法。
![](https://p0.ssl.img.360kuai.com/t0188631474ad7567ff.png?size=748x457)
相比于长期重复测定患者生物标志物这种方式,糖尿病肾病风险预测模型可以根据患者当前的状态数据进行即时预测,具有明显优势。随着电子病历系统在医院的普及以及人工智能在医疗领域的发展,越来越多的研究人员基于电子病历(Electronic Medical Record,简称EMR)数据进行数据挖掘与机器学习预测建模研究。
近年来,以人工智能、统计分析等为代表的数据驱动型研究方式更是在医疗领域取得了重大突破,就癌症检测与转移、糖尿病预测等领域而言,基于人工智能技术所建立的预测模型的准确度已经能达到甚至超过一般人类医生的水平。
![](https://p0.ssl.img.360kuai.com/t01ab91a38f30160dc3.jpg?size=1026x683)
尽管基于电子病历数据和机器学习技术能开发出复杂的预测模型,但由于DKD发病机制的多样性,患者中存在具有临床差异的子群体,而某些机器学习模型在面对这些子群体时容易出现公平性问题,即模型在训练时更倾向基于样本集中占比较大的患者子群体进行学习,而忽略一些占比不大的患者子群体,使得最终对这些占比较小的患者子群体进行预测时容易发生漏诊现象。
针对患者中存在异质性子群体的问题,亚组分组建模是一种可行的解决方案。亚组分组建模即先将全部样本按照一定规则划分为具有异质性的亚组,然后对每个亚组进行针对性的建模和分析,这在医疗、生物等领域中是一种十分常见的研究方法。
![](https://p0.ssl.img.360kuai.com/t01cb424266f6fbd1bd.jpg?size=1000x500)
通过对每个具有临床差异的子群体分别建立亚组模型,使得每个亚组中的知识都能被充分利用,这或许有助于解决单一的全局模型对某些少数患者子群体的忽略问题。但目前在医疗信息领域中,亚组分组通常更侧重于作为一种知识发现的手段。
在基于电子病历的DKD 研究领域中,是否可以通过将亚组分组建模应用于DKD电子病历数据以解决全局模型对少数群体的公平性问题,还需要进一步验证。决策树是一种可解释性强的树形预测模型,但从分组的角度来看,决策树也是一种天然的分组模型。
![](https://p0.ssl.img.360kuai.com/t0166122d5a8f681f78.jpg?size=750x500)
在决策树建立后,它的每个叶子节点都可视作一个被从根节点到该叶子节点路径所定义的亚组,因此使用决策树算法在电子病历数据上进行亚组分组建模研究,不仅可以应对少数群体被忽略的问题,还能使所得到的亚组具有强可解释性。
但将经典的决策树算法直接应用于亚组分组建模时也存在缺陷:随着决策树的生长,子节点的样本量会迅速下降并造成信息丢失,而子节点样本量不足时则会导致子节点模型的性能退化。
![](https://p0.ssl.img.360kuai.com/t0164269d48031558d2.jpg?size=750x430)
针对样本量不足的问题,常见的解决方案有过采样、数据增强等,但过采样更适用于数据集中类别不平衡的问题,数据增强则在图像数据中的研究较多,在EMR数据上的研究较少。面对该问题,迁移学习(Transfer Learning)是一种新的解决方案。
迁移学习能够利用两个域在数据、任务或模型上的相似性,将从其中一个域学习到的模型或知识应用于另一个域,从而在一定程度上解决建模时样本不足的问题。近年来迁移学习在医疗信息领域也受到了特别的关注。
![](https://p0.ssl.img.360kuai.com/t01d34d398a7a4919ec.png?size=1213x763)
在亚组分组过程中,是否可以通过将决策树分组建模与迁移学习相结合的方式来解决决策树子节点预测性能退化的问题,还需要进行探索和验证。
糖尿病肾病是一种早期无显著症状但危害性极高的疾病,且由于糖尿病肾病的发病机制具有多样性,通常在患者中存在着不同发病机制的患者子群体,当对全部患者数据建立单一的全局模型时,出于对泛化能力的追求,全局模型往往容易忽略那些在少数群体中重要但并不是对于全部样本都重要的特征,进而导致全局模型对少数群体的预测性能较低。
![](https://p0.ssl.img.360kuai.com/t01e2de40441311f4ee.jpg?size=749x500)
针对该问题,本文基于亚组分组建模思想提出了SDTT 框架,SDTT 基于经典决策树进行修改,并在分组和建模的过程中引入迁移学习以克服随着决策树分裂,子节点样本量迅速下降,进而导致子节点模型性能下降的问题。
在亚组分组研究中存在纯粹专家知识驱动型分组、纯粹数据驱型分组以及数据驱动混合专家知识型分组。本文采用了数据驱动混合专家知识型分组,在使用SDTT 对DKD 进行亚组分组建模研究时用专家知识所挑选出的候选属性进行分组决策树的构建,这样能平衡纯粹专家知识驱动型分组以及纯粹数据驱动型分组两种方式的优点而避免各自的缺点。
![](https://p0.ssl.img.360kuai.com/t01a1dabc545159d478.jpg?size=1200x802)
为在DKD 数据上建立最佳的SDTT模型以及研究其在DKD数据上的必要性,本文设计了四个实验进行研究分析:选取最优预测建模算法。为了获取最佳建模效果,本研究使用包括LightGBM、Random Forest、Decision Tree等在内共6中算法对DKD数据进行建模并比对预测性能。
通过综合对比,最终本研究选取LightGBM作为后续全局模型和SDTT亚组模型库的建模算法。探究分割点投票对分组结果稳定性的影响本研究通过一组对比试验验证了节点分割时仅进行一次分割点选取,所得到分组树的结构、分组结果是不稳定的,同时也验证了多次分割点选取并投票能有效解决该问题。
![](https://p0.ssl.img.360kuai.com/t0145be3f987ce9eb3c.jpg?size=1280x768)
对迁移学习与亚组分组的结合进行分析。在该实验中,本研究首先验证了决策树随着节点分割、子节点样本量迅速下降会导致子节点预测性能退化这一猜想。随后设计了2个对比实验分析探究了迁移学习在亚组分组过程中的作用。
对SDTT 亚组分组的结果进行分析。在通过 SDTT得到亚组后,本研究在Recall、F1Score、AUC、Precision这四个性能指标上对 SDTT亚组模型与全局模型进行了对比,发现大多数时候亚组模型在Recall 上都要由于全局模型,且最终亚组模型的性能相较于全局模型有0.0338的提升。
![](https://p0.ssl.img.360kuai.com/t012d9001cd8f22cea4.jpg?size=750x500)
在F1Score上亚组模型相较于全局模型有着微弱的提升,在Precision上亚组模型性能低于全局模型,但这或许是因为Precision和Recall在计算方式上互斥所致的,在AUC上亚组模型相较于全局模型微弱下降。
最后,本研究对亚组间重要特征重合率进行了分析,发现亚组间TOP100重要特征重合率维持在50%左右,且最大不超过60%,这表示所得到的亚组具有一定的异质性。在对亚组可解释性的分析上,本文结合病理学对分组结果进行了研究,发现SDTT的分组结果符合当前DKD领域的病理学研究结论。
![](https://p0.ssl.img.360kuai.com/t011cc6b40d5bd52cb5.jpg?size=902x560)
本研究属于计算机与医疗信息学的交叉研究,本研究的贡献不仅在机器学习理论上提出了新的亚组分组框架,且同时也为糖尿病肾病亚组分组研究领域提供了新的思路,所得到的亚组有助于医生进行临床判断。因此本研究不仅具有理论意义,也具有实践价值。
本研究以亚组分组为出发点、SDTT框架作为工具,旨在解决在DKD数据上建立的单一全局模型对异质性患者亚组存在公平性的问题,最终在DKD数据上得到了5个可解释性高的异质性亚组,且亚组模型库的总体预测性能上升。
![](https://p0.ssl.img.360kuai.com/t0178dfaaf65d78e1dc.png?size=999x623)
但本研究目前还存在以下几个问题,需要后续在继续进行研究:本文采用决策树作为分组算法的主要动机为考虑对分组结果的可解释性,但由于树形算法随着决策路径的增长所得到的亚组样本量将迅速降低,这限制了分组决策树的生长,使得无法获得由更多规则定义的亚组。
关联规则算法是一种同样能保证结果可解释性的数据挖掘方法,且算法通过迭代的考虑多个特征之间的关联以寻找频繁项集并生成强关联规则,因此也可以作为一种可解释性高的亚组分组算法。
![](https://p0.ssl.img.360kuai.com/t01758bd9a0c3ea7503.jpg?size=750x500)
另一方面,随着SHAP值分析等技术的出现,一些“黑盒模型”也能得到解释,在面对可解释性要求没有那么高的情况下,也可以使用聚类进行亚组分组,并结合SHAP值分析进行模型解释。同样,聚类算法在进行分组时也不会限制特征数量。
本研究在亚组分组的过程中使用了参数迁移,但参数迁移要求模型之间能够共享参数或者先验分布,当源域和目标域之间采用的不是同一种建模算法时,无法共享模型参数。为解决这一问题,或许可以考虑通过融合样本建模或使用TrAdaboost等基于样本或特征的迁移学习方法建模以增强SDTT框架的适用性。
![](https://p0.ssl.img.360kuai.com/t01df3927691b7672e9.jpg?size=902x560)
在对亚组进行性能评估时可以发现,尽管亚组模型库的总体Recall性能是上升的,但仍然存在一个亚组的Recall性能是下降的,这既有可能是因为该亚组和全部样本相比损失的信息过多,也有可能是对该亚组建立迁移学习模型的过程中出现了负迁移。在未来的研究中,如何在建模过程中避免负迁移还需要继续进行研究。
","gnid":"98620168165b677b2","img_data":[{"flag":2,"img":[{"desc":"","height":"500","title":"","url":"https://p0.ssl.img.360kuai.com/t01f0d026f71e2cc82e.jpg","width":"889"},{"desc":"","height":457,"title":"","url":"https://p0.ssl.img.360kuai.com/t0188631474ad7567ff.jpg","width":748},{"desc":"","height":"683","title":"","url":"https://p0.ssl.img.360kuai.com/t01ab91a38f30160dc3.jpg","width":"1026"},{"desc":"","height":"500","title":"","url":"https://p0.ssl.img.360kuai.com/t01cb424266f6fbd1bd.jpg","width":"1000"},{"desc":"","height":"500","title":"","url":"https://p0.ssl.img.360kuai.com/t0166122d5a8f681f78.jpg","width":"750"},{"desc":"","height":"430","title":"","url":"https://p0.ssl.img.360kuai.com/t0164269d48031558d2.jpg","width":"750"},{"desc":"","height":"763","title":"","url":"https://p0.ssl.img.360kuai.com/t01d34d398a7a4919ec.png","width":"1213"},{"desc":"","height":"500","title":"","url":"https://p0.ssl.img.360kuai.com/t01e2de40441311f4ee.jpg","width":"749"},{"desc":"","height":"802","title":"","url":"https://p0.ssl.img.360kuai.com/t01a1dabc545159d478.jpg","width":"1200"},{"desc":"","height":"768","title":"","url":"https://p0.ssl.img.360kuai.com/t0145be3f987ce9eb3c.jpg","width":"1280"},{"desc":"","height":"500","title":"","url":"https://p0.ssl.img.360kuai.com/t012d9001cd8f22cea4.jpg","width":"750"},{"desc":"","height":"560","title":"","url":"https://p0.ssl.img.360kuai.com/t011cc6b40d5bd52cb5.jpg","width":"902"},{"desc":"","height":"623","title":"","url":"https://p0.ssl.img.360kuai.com/t0178dfaaf65d78e1dc.png","width":"999"},{"desc":"","height":"500","title":"","url":"https://p0.ssl.img.360kuai.com/t01758bd9a0c3ea7503.jpg","width":"750"},{"desc":"","height":"560","title":"","url":"https://p0.ssl.img.360kuai.com/t01df3927691b7672e9.jpg","width":"902"}]}],"original":0,"pat":"art_src_0,sexf,sex4,sexc,fts0,sts0","powerby":"pika","pub_time":1703830628000,"pure":"","rawurl":"http://zm.news.so.com/af1ef1b7cbb7bd3af1768ed07546e772","redirect":0,"rptid":"f371b4f5905cc0d8","rss_ext":[],"s":"t","src":"可汗屋舍","tag":[{"clk":"khealth_1:糖尿病","k":"糖尿病","u":""}],"title":"面向糖尿病肾病的可解释性预测成效如何?
舒王彼4983森林用英语怎么写 -
郟章娥19683365165 ______ Forest
舒王彼4983森林用英语怎么说
郟章娥19683365165 ______ [词典] forest; timber; sylva; silva; plantation;
舒王彼4983森林的英文怎么说? -
郟章娥19683365165 ______ forestwoods
舒王彼4983Forest 是什么意思啊?
郟章娥19683365165 ______ 1. Most of the ancient forests in the world have been destroyed;fɔrɪrist]美音.森林[C][U]This is an oak forest:['forest英音.植林于. 他们在山上种植松树. 这是个橡树林. 世界上大多数原始森林都被毁坏了;使成为森林They forested the mountains with pine trees;st]名词 n. 1.及物动词 vt;fɔ:['
舒王彼4983森林用英语怎么说
郟章娥19683365165 ______ 森林---forest
舒王彼4983森林英语怎么读 -
郟章娥19683365165 ______ 森林 英文:forest 读法:英 [ˈfɒrɪst] 美 [ˈfɔ:rɪst] 释义: 1、n.森林;丛林;(森林似的)一丛;一片 2、vt.在…造林,使长满树林,使成为森林 词汇搭配: 1、cover with forest 森林覆盖 2、cross forest 穿过林带 3、coniferous forest 针叶林 ...
舒王彼4983森林英语翻译 -
郟章娥19683365165 ______ 森林最常用的是 forest 如 protect the forest 保护森林 有时wood也表示森林,如:Little Cabin in the Wood 森林中的小木屋 或者 jungle (一般指雨林,丛林,很茂盛几乎不见阳光的那种)
舒王彼4983树林用英语怎么拼 -
郟章娥19683365165 ______ Forest 森林 wood 树林 grove 小树林,果园 都有树林的意思.
舒王彼4983林的英文读什么 -
郟章娥19683365165 ______ 林的英文是:forest 读音:英 ['fɒrɪst] 美 ['fɔrɪst] n:森林,林区,山林.[常作比喻](森林般的)耸立,林立,大量 adj:森林的;在林区的,住在森林中的 vt:植树于,在…植树,造林于…,使成森林 词组短语: forest resources 森林资源 ...
舒王彼4983forest yuan是什么 意思 -
郟章娥19683365165 ______ forest [英][ˈfɒrɪst][美][ˈfɔ:rɪst] n. 森林; 丛林; (森林似的)一丛; 一片; vt. 在…造林,使长满树林,使成为森林; 复数:forests形近词:FORESTForest 1 The forest below him seethed and teemed with life. 他下面的森林里处处生机勃...