在臨床數(shù)據(jù)庫分析中，常規(guī)的臨床數(shù)據(jù)分析在分類和診斷方面最常用的就是Logistic回歸分析，但對于部分臨床數(shù)據(jù)且多分類數(shù)據(jù)，常規(guī)Logistic回歸分析有時很難到較好擬合性能，而使用更復雜的機器學習方法則可以在某些模型上取代Logistic回歸分析。

近期我們針對生物醫(yī)學領域開發(fā)了Python機器學習在生物醫(yī)學領域中的論文實戰(zhàn)。包含了傳統(tǒng)機器學習+機器學習生存+深度學習生存全部模型

傳統(tǒng)機器學習模型目前主要應用于競爭風險數(shù)據(jù)的建模及分析。公共數(shù)據(jù)+臨床模型是目前最快捷的SCI論文發(fā)表途徑。

1.隨機森林RF模型預測癌癥骨轉移（IF 4.7）

2.SVM支持向量機模型預測血清白蛋白檢測，用于前列腺癌檢測（IF6.9）

3.機器學習+影像組學預測肺癌。(IF 4.5)

4.生信甲基化+SVM模型預測腫瘤免疫（IF8.7）

除此之外還有很多文章：

Python機器學習課程包含全部機器學習模型和機器學習生存模型

完整實戰(zhàn)教程學習鏈接：