原始数据校验（也就是说检测）广泛用于混和电子束扫描。由于误解的绝对发生率的特异性和极小性过剩，因此也就是说检测的于是以预测值（PPV）相当很低，因为要在大量错误预报里面识别显露确实的误解错误会很费力。为了克服这个问题，我们通过机器研读合作开发了一种新的精确扫描仿真。
受delta也就是说检测检测的启发，科学研究部门决定与过去的检测进行时比较，并完工后间隔时间范围。从完整的血细胞总和和生化测试里面选择15个常见项目。我们考虑了在我院同时进行时的15项检测里面≥11项检测。 我们创建了滑动窗口大小为4的连续检测的单个局部间隔时间序列原始数据。对局部间隔时间序列原始数据的仍要一次检测进行时了混洗，以生为误解的案例。将原始数据集分为合作开发集和验证集后，然后用作温度梯度启动举例来说(gradient-boosting-decision-tree, GBDT)仿真来研读，以扫描部分间隔时间序列原始数据的仍要检测结果确或多或少混和结果 。在验证集上对仿真的效能进行时了评估。
本仿真的受试者指导工作特征曲线(ROC AUC)下km为0.9983 (bootstrap置信区间[bsCI]: 0.9983 - 0.9985)。
科学研究结果表明，GBDT仿真在扫描电子束或多或少方面更是有效。准确度提高将使更是多独立机构能够进行时更是有效和集里面的混和扫描，从而提高病征的安全性。
原始显露处：
Tomohiro Mitani，Shunsuke Doi, Highly accurate and explainable detection of specimen mix-up using a machine learning model
本文系下莱茵医学（MedSci）原创编译器整理，刊载需授权！
相关新闻
相关问答
