English(EN) Cross-cohort TB classification using clinical data gathered in Uganda and South Africa

机器学习模型显示出使用跨队列临床数据进行结核病筛查的潜力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

研究人员使用来自乌干达和南非的临床和人口统计数据，评估了用于结核病（TB）筛查的机器学习模型。该研究将逻辑回归、多层感知器和卷积神经网络应用于CAGE-TB数据集，并结合特征选择来提高模型性能。虽然特征选择将所有模型的接收者操作特征曲线下面积（AUROC）提高了2-7%，但逻辑回归模型在保留数据上表现出一致的性能，在南非的AUROC为0.84，在乌干达为0.8。更深的神经网络在未见过的数据上显示出不太一致的结果，尽管开发用于结核病筛查的此类分类器被认为是可行的。 AI

影响这项研究证明了机器学习模型利用现有的临床数据提高结核病筛查效率的潜力。

排序理由学术论文，详细介绍研究方法和结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 6 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍研究方法和结果。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Joshua M. Jansen van V\"uren, Devendra S. Parihar, Daphne Naidoo, Marisa Klopper, Frank Cobelens, Lutz Kolbe, Kimsey Zajac, Willy Ssengooba, Moses Joloba, Grant Theron, Thomas R. Niesler · 2026-10-05 04:00

使用在乌干达和南非收集的临床数据进行跨队列结核病分类

arXiv:2610.03256v1 Announce Type: new Abstract: We present a first evaluation of machine learning applied to patient clinical and demographic data gathered in two different countries for the purpose of tuberculosis (TB) screening to identify people who would benefit from expensiv…

本文如何被排名

报道来源 [1]

使用在乌干达和南非收集的临床数据进行跨队列结核病分类

相关实体

相关话题