《表1 常用于颈动脉斑块分类的传统机器学习算法比较》
目前,用于颈动脉斑块分类的机器学习算法见图1。用到的传统机器学习算法主要有:K均值聚类算法(K-means clustering,K-means),K最邻近分类(K-nearest neighbor,K-NN)、Adaboost算法、支撑向量机(Support Vector Machine,SVM)、自组织映射网络(Self Organizing Map,SOM)、Bayes分类器等。以输入输出方式区分,这些算法可以分为有监督学习算法和无监督学习算法。有监督学习中,输入的数据对象会有预先分配好的标签(如有病灶、无病灶),通过这些数据训练模型,再利用模型进行预测。当输出变量连续时,称为回归问题;输出变量离散时,称为分类问题[6]。无监督学习中,输入的数据对象不分配标签,直接进行分析和训练,分析是否存在可以区分的组别。颈动脉斑块分类的各种传统机器学习算法的优缺点见表1所示。
图表编号 | XD0069753700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.20 |
作者 | 吴秋雯、李郁欣、黄磊、周书怡、胡斌、鲍奕仿、耿辰、夏威、杨丽琴、耿道颖 |
绘制单位 | 复旦大学工程与应用技术研究院、复旦大学附属华山医院放射科、复旦大学医学功能与分子影像研究所、复旦大学附属华山医院放射科、复旦大学附属华山医院放射科、复旦大学附属华山医院放射科、复旦大学附属华山医院放射科、复旦大学工程与应用技术研究院、复旦大学工程与应用技术研究院、复旦大学附属华山医院放射科、复旦大学医学功能与分子影像研究所、复旦大学工程与应用技术研究院、复旦大学附属华山医院放射科、复旦大学医学功能与分子影像研究所 |
更多格式 | 高清、无水印(增值服务) |