期刊名：Bioengineering

期刊主页：https://www.mdpi.com/journal/bioengineering

机器学习在医学研究中的应用日益广泛。医学领域拥有海量数据，机器学习利用计算机系统基于数据进行决策，能够为我们提供宝贵的数据洞察。从分析医疗记录或诊断测试到预测患者预后，机器学习在疾病的评估、诊断和治疗方面发挥着重要作用。本期编辑荐读聚焦医学、工程和人工智能领域，为您推荐发表在“Machine Learning and Medicine: The Interface of Medicine, Engineering and Artificial Intelligence”特刊 （https://www.mdpi.com/journal/bioengineering/special_issues/136V9755TU）的相关文章，希望能为相关领域学者提供新的思路和参考，欢迎阅读。

文章1

Machine Learning-Based Ensemble Feature Selection and Nested Cross-Validation for miRNA Biomarker Discovery in Usher Syndrome

基于机器学习的集成特征选择与嵌套交叉验证,用于遗传性耳聋-视网膜色素变性综合征miRNA生物标志物发现

Rama Krishna Thelagathoti, Dinesh S. Chandel, Wesley A. Tom, Chao Jiang, Gary Krzyzanowski, Appolinaire Olou and M. Rohan Fernando

https://www.mdpi.com/2306-5354/12/5/497

方法概述

(1) 采用集成特征选择技术，结合多种算法筛选稳定miRNA，并用机器学习模型训练验证，为发现生物标志物提供新策略。

(2) 识别出10个核心miRNA作为Usher综合征潜在生物标志物，模型性能优异，准确率达97.7%。

(3) 为Usher综合征早期诊断提供分子工具，同时揭示相关分子通路，加深对该病机制的理解。

文章2

An Effective Methodology for Diabetes Prediction in the Case of Class Imbalance

针对类别不平衡问题的有效糖尿病预测方法

Borislava Toleva, Ivan Atanasov, Ivan Ivanov and Vincent Hooper

https://www.mdpi.com/2306-5354/12/1/35

(a) 左图总结方法 1，(b) 右图总结方法 2

(1) 针对PIMA数据集严重类别不平衡问题，提出含重采样和随机洗牌两步新策略的预测方法，无需预选变量或额外平衡技术。

(2) 采用k折和分层k折交叉验证测试，发现随机洗牌数据再分割可显著改善评估指标，操作简单高效。

(3) 该方法优于现有机器学习和复杂深度学习模型，能快速有效预测不平衡数据，为后续建模提供可靠基础。

文章3

Improving Radiology Report Generation Quality and Diversity through Reinforcement Learning and Text Augmentation

通过强化学习与文本增强提升放射学报告生成的质量与多样性

Daniel Parres, Alberto Albiol and Roberto Paredes

https://www.mdpi.com/2306-5354/11/4/351

训练工作流程。

(1) 针对传统放射学报告生成方法多样性差、泛化难的问题，引入强化学习与文本增强技术，显著提升报告质量与丰富性。

(2) 以RadGraph作为奖励指标，结合创新文本增强，在MIMIC-CXR和Open-i数据集上多项指标超越现有基准，刷新准确性与多样性标准。

(3) 模型在CheXbert和RadGraph上取得高F1分数，成果开源以推动领域发展，旨在提升临床诊断精度和放射学解读水平。

文章4

Exploring Diagnostic Precision and Triage Proficiency: A Comparative Study of GPT-4 and Bard in Addressing Common Ophthalmic Complaints

探索诊断精确性与分诊能力：GPT-4与Bard在处理常见眼科主诉中的比较研究

Roya Zandi, Joseph D. Fahey, Michael Drakopoulos, John M. Bryan, Siyuan Dong, Paul J. Bryar, Ann E. Bidwell, R. Chris Bowen, Jeremy A. Lavine and Rukhsana G. Mirza

https://www.mdpi.com/2306-5354/11/2/120

聊天机器人提示的整体研究设计流程图

(1) 探究AI聊天机器人在眼科诊断与分诊中的能力。通过向GPT-4和Bard输入80个模拟患者主诉，由三位眼科医生评估其回应质量。

(2) 两模型分诊准确率（90.0%）显著高于诊断准确率（48.8%）。GPT-4在分诊、安全性等方面全面优于Bard，更多临床描述可提升诊断准确性。

(3) AI聊天机器人无需精确诊断即可提供恰当分诊，对患者或分诊人员有辅助价值，但不能替代专业眼科评估。

文章5

Systemic Lupus Erythematosus: How Machine Learning Can Help Distinguish between Infections and Flares

系统性红斑狼疮：机器学习如何助力区分感染与疾病发作

Iciar Usategui, Yoel Arroyo, Ana María Torres, Julia Barbado and Jorge Mateo

https://www.mdpi.com/2306-5354/11/1/90

该图显示了本研究中对 SLE 患者进行分类的过程。

(1) 针对系统性红斑狼疮早期发作诊断难、易与感染混淆的问题，采用机器学习算法辅助识别疾病活动，提升诊断准确性。

(2) 评估多种算法，随机森林表现最优。相比KNN准确率提升7.49%，在AUC和平衡准确率上均达94%，优于SVM等其他方法。

(3) 结果表明基于机器学习的自动化诊断支持系统可行，可为SLE患者提供有效的辅助诊断工具，改善临床决策。

文章6

Searching for the Best Machine Learning Algorithm for the Detection of Left Ventricular Hypertrophy from the ECG: A Review

为心电图检测左心室肥厚寻找最佳机器学习算法：一项综述

Simon W Rabkin

https://www.mdpi.com/2306-5354/11/5/489

基于心电图检测左心室肥厚的机器学习算法。

(1) 系统综述机器学习算法在心电图检测左心室肥厚中的应用，对比其与传统心电图标准的灵敏度、特异度等性能差异。

(2) 14项研究涉及十余种ML算法，灵敏度范围0.29-0.966。ML算法灵敏度普遍优于传统标准，但特异度未显著提升，部分更差。

(3) 多数ML算法纳入大量临床和波形数据，临床筛查应用受限。未来需在统一数据库上比较测试不同ML算法性能。

文章7

Towards Transparent Healthcare: Advancing Local Explanation Methods in Explainable Artificial Intelligence

迈向透明医疗：推进可解释人工智能中的局部解释方法

Carlo Metta, Andrea Beretta, Roberto Pellungrini, Salvatore Rinzivillo and Fosca Giannotti

https://www.mdpi.com/2306-5354/11/4/369

DoctorXAI 解释流程来自 Panigutti等人，2020 年。

(1) 聚焦局部可解释人工智能方法（如LORE）在医疗领域的应用，强调AI系统在疾病诊断、预后预测和个性化治疗中的可解释性与透明度。

(2) 局部XAI通过提供具体病例的细粒度解释，帮助医生和患者理解机器学习模型及其输出结果，优化临床决策过程。

(3) 局部XAI有助于提升决策公平性、满足监管要求，在平衡模型性能与可解释性方面具有重要潜力，推动透明医疗发展。

Bioengineering 期刊介绍

主编：Anthony Guiseppi-Elie, Anderson University, USA

主要发表生物医学工程及应用，生物过程和生物系统工程与应用，生物分子、细胞和组织工程及应用，以及生化工程与应用等相关领域的最新科学技术及应用。期刊已被PubMed、Scopus、SCIE (Web of Science) 等数据库收录。

2024 Impact Factor：3.7

2024 CiteScore：5.3

Time to First Decison：17 Days

Acceptance to Publication：2.8 Days