基于卷积神经网络的糖尿病预测
基于卷积神经网络的药物分子预测模型研究
基于卷积神经网络的药物分子预测模型研究药物分子预测是实现精准医疗的重要手段之一，而深度学习技术中的卷积神经网络（CNN）已成为药物分子预测的重要工具，本文将围绕基于CNN的药物分子预测模型展开讨论。
一、药物分子预测模型的基本概念药物分子预测模型是建立在化学计算、机器学习和统计学等学科基础上的一种复杂的模型，目的是预测药物分子的组成结构和化学性质。
药物分子预测模型的研究具有重要的理论和临床价值，在药物研发、药物筛选和药物设计等方面都有广泛的应用。
二、基于CNN的药物分子预测模型的原理卷积神经网络是一种基于多层感知器的深度学习模型，是模仿动物视觉系统实现图像识别任务的一种有效手段。
在药物分子预测模型中，卷积神经网络主要通过学习药物分子的化学结构和性质特征，实现对药物分子的预测功能。
具体来说，基于CNN的药物分子预测模型主要分为以下几个步骤：1. 数据处理：从化学数据库或者已知药物分子数据中提取药物分子信息，包括分子的结构、化学性质、活性等。
2. 特征表达：将药物分子信息转化成向量或矩阵形式，用于输入神经网络进行学习。
3. 卷积处理：使用卷积运算来学习药物分子的局部特征，降低模型的维度，减小运算量。
4. 池化处理：对卷积操作后的结果进行降采样处理，减少模型的复杂度，提高泛化能力。
5. 全连接层：将池化后的结果通过全连接层进行属性判断与分类，输出预测结果。
三、基于CNN的药物分子预测模型的优点相对于传统的药物分子预测模型，基于CNN的药物分子预测模型具有以下优点：1. 高精度：CNN模型能够学习到药物分子的局部特征和整体特征，在预测时具有较高的准确度。
2. 高效性：通过卷积运算和池化操作，能够有效降低模型的维度和运算量，提高模型的计算效率。
3. 可解释性：基于CNN的药物分子预测模型可以通过可视化等手段，帮助研究人员理解模型的学习过程与内部机制。
四、基于CNN的药物分子预测模型的应用目前基于CNN的药物分子预测模型已经在药物研发、药物筛选、药物设计等领域有了较为广泛的应用，主要包括以下几个方面：1. 药物代谢预测：基于CNN的药物分子预测模型可以预测药物在体内的代谢速率和代谢产物。
卷积神经网络在医学影像中的应用
卷积神经网络在医学影像中的应用一个人的身体健康是很重要的，那么如何确诊和治疗疾病呢？这个问题随着现代医学技术的不断发展得到了近年来尤为快速的发展。
医学影像技术如今被广泛运用于人体的非侵入性诊断。
而卷积神经网络（Convolutional Neural Network, CNN）是一种被广泛运用于医学图像领域的人工智能算法。
因此，本文将介绍卷积神经网络在医学影像中的应用，以及其在医学影像领域中的应用前景。
一. 卷积神经网络简介卷积神经网络是一种用于图像识别的人工智能算法，可以有效地自动进行图像识别。
这种算法是由许多层组成的，每一层都会对图像进行处理，并为下一层提供输入。
其中，卷积层用于提取图像的特征，而池化层则用于减少特征图像的规模，从而使特征提取过程更加高效。
之后，全连接层对这些特征进行分类和预测，可用于判断图片中的内容。
卷积神经网络的特点在于，该算法能够在没有人为干预的情况下，从大量的图像中学习并识别出新图像中的特征。
这个特点使得它成为了很多非常复杂的问题的解决手段之一，比如医学影像领域的一些解决方案。
二. 卷积神经网络在医学影像中的应用医学影像应用可以用于成像后对身体内部有关病变的信息进行诊断。
使用这种技术可以非侵入性地检查疾病，是一种早期推进健康管理的重要手段，具有重要的价值和意义。
目前，卷积神经网络已被应用于许多医学影像应用中，包括CT和MRI图像、超声图像以及视网膜图像等。
1. CT和MRI图像CT和MRI图像可以进行三维重建，从而帮助进行病例的诊断和治疗。
对于一些早期的疾病或者诊断困难的疾病，这种重建可以发挥重要的作用并提高检查的准确性。
通过卷积神经网络，在CT或MRI图像上进行特征提取和疾病分析，可以有助于医生快速对各种疾病进行准确诊断，同时也能够提高治疗效果。
卷积神经网络还可以通过分析CT和MRI图像中的病变区域，帮助预测病变的类型和进展，这项技术有助于制定针对疾病的治疗方案。
2. 超声图像超声图像被广泛应用在临床相关的检查中，但是其分辨率较低，因此含有大量的噪声。
基于机器学习的糖尿病预测模型
基于机器学习的糖尿病预测模型智能科技的应用越来越广泛，其中机器学习技术已经被应用于医疗行业中。
在医学领域，机器学习被用于疾病预测，监测疾病进展，以及辅助医生进行诊断。
糖尿病是一种常见的慢性疾病，其症状通常较为缓慢，而病变的损伤却是无法逆转的。
因此，建立一个能够及早进行糖尿病预测和诊断的模型非常重要。
近年来，糖尿病预测模型的研究备受关注。
其原理是通过收集患者的生理数据，比如血糖、血压、BMI等指标，训练机器学习算法，最终建立一个能够预测糖尿病患病风险的模型。
这种预测模型在糖尿病的早期诊断、病情监测方面具有很大的潜力。
建立糖尿病预测模型的关键在于获取大量准确的数据，并对其进行正确的处理。
在数据收集方面，目前医疗信息系统和移动设备上的健康应用程序都提供了收集和存储健康数据的方式。
这些数据可以包括住院记录、实验室报告、医学图像和遗传学数据等。
此外，智能手表和智能衣服等智能设备也可以持续地收集血压、血糖和心率数据等生理数据。
在数据处理方面，研究者需要选择正确的特征提取方法、数据清洗方法、特征选择方法等。
机器学习算法是建立糖尿病预测模型的核心。
常见的算法包括逻辑回归、随机森林、神经网络等。
不同的算法具有不同的优缺点。
逻辑回归可以对二分类问题进行良好的处理，但是对于复杂的分类问题缺乏鲁棒性。
随机森林方法能够处理多分类问题和需要处理缺失数据的场景，但是训练时间和存储空间成本较高。
神经网络算法是近年来较为流行的算法，能够高效地处理大量数据，但是其应用范围较为局限。
因此，研究者需要根据具体的实验场景选择合适的算法。
建立糖尿病预测模型时，还需要进行模型选择、交叉验证、参数调整等步骤。
这些步骤可以提高模型的可靠性和稳定性。
在进行模型选择时，需要根据目标数据集的大小、特征数量、目标变量的类别等因素选取合适的模型。
交叉验证可以评估模型的泛化性能，避免模型在未知数据上出现过度拟合的情况。
参数调整可以优化模型的性能，并提高模型的鲁棒性。
基于人工智能诊断糖尿病黄斑水肿的
DME是糖尿病视网膜病变最常见的并发症之一，也是导致视 力下降甚至失明的主要原因之一。
糖尿病黄斑水肿的病因和病理生理机制
DME的病因主要包括高血糖、高血压、高血脂等代谢紊乱 导致的视网膜微血管损伤，以及炎症反应、血管内皮细胞 功能紊乱、血-视网膜屏障破坏等因素。
病理生理机制主要包括炎症反应、血管内皮细胞功能紊乱 、血-视网膜屏障破坏、视网膜细胞凋亡等。
探究人工智能诊断结果的 产生过程，评估其可解释 性，有助于医生理解和信 任诊断结果。
04
实验设计和数据收集
数据来源和收集方法
数据来源
实验所用的数据来源于医院眼科，收集了1000名患者的眼底图像。
收集方法
采用双盲法，将患者的个人信息和图像信息进行脱敏处理后，交给不同的医生进行诊断。
数据预处理和特征提取
特异性
在检测阴性样本时，人工 智能的特异性为99.0%， 说明它能够很好地排除真 正的阴性病例。
结果分析和解释
对比传统方法
与传统的眼科诊断方法相比， 人工智能在准确性和效率方面
表现出了明显的优势。
深度学习模型
人工智能基于深度学习模型进行 训练和预测，能够从大量的图像 数据中提取有用的特征，并做出 更准确的诊断。
将待诊断的眼科影像输入到模型中，得到诊பைடு நூலகம்断结果，为医生提供参考。
基于人工智能的诊断结果评估
01
02
03
准确性评估
通过对大量样本进行测试 ，评估人工智能诊断结果 的准确性，常用指标包括 准确率、召回率等。
可靠性评估
分析人工智能诊断结果的 可靠性，如模型是否稳定 、对不同数据的适应性等 。
可解释性评估
交叉验证
实验结果是通过交叉验证得到的， 这种方法能够提高实验结果的稳定 性和可靠性。
基于EfficientNet的糖尿病视网膜病变诊断模型
基于EfficientNet的糖尿病视网膜病变诊断模型作者：乔丽乔晶晶兰静来源：《中国新通信》2024年第02期摘要：本文提出了一種基于EfficientNet的糖尿病视网膜病变诊断，通过使用MBConv卷积模块对原始图像进行卷积处理，通过“压缩－激励”模块对图像病灶施加注意力机制，并使用激活函数对神经网络进行调整。
该方法在Kaggle APTOS数据集上取得了78.3%的五分类准确度及92.2%的二分类准确度，证明该方法的有效性，并且与文中提及的其他方法（VGG16，Inception等）对比有更高的准确率。
关键字：EfficientNet；糖尿病视网膜；MBConv卷积模块；Kaggle APTOS糖尿病视网膜病变（Diabetic Retinopathy，DR）是糖尿病患者最常见的并发症之一，也是致盲性眼病之一[1]。
早期治疗可以有效地控制病情发展，避免失明。
因此，糖尿病患者应该定期进行眼科检查，及时发现和治疗糖尿病视网膜病变。
传统的眼科检查方法包括眼底照相、光学相干断层扫描（OCT）等，但这些方法的诊断效果不佳，容易误诊或漏诊。
而基于深度学习的算法可以通过自动分析视网膜图像的特征，准确地检测出糖尿病视网膜病变的存在[2]。
基于深度学习的算法可以通过识别图像中的特征，提前发现糖尿病视网膜病变的早期症状，从而为患者提供更早期的干预和治疗。
一、相关文献当前已有大量对基于机器学习的糖尿病视网膜病变诊断研究。
对于传统的机器学习方法，Abramoff等人[3]使用k-近邻（k-NN）分类器对糖尿病视网膜进行二分法（正常，病变），取得了0.839的AUC分数。
Noronha等人[4]使用SVM对疾病进行二元分类，获得了99.1%的准确率。
Acharya等人[5]则应用SVM对糖尿病视网膜病变进行分类。
Rakhlin等人[6]修改了VGG16并在两个数据集上进行了测试。
在Kaggle EyePACS数据集上，模型取得了92%的敏感性和72%的特异度。
基于医疗大数据的糖尿病预测模型研究
基于医疗大数据的糖尿病预测模型研究随着医疗领域的发展，医疗大数据的重要性日益凸显。
其中，基于医疗大数据的糖尿病预测模型，成为了近年来备受研究者关注的热点。
本文将从预测模型的构建、对比及实现等方面，对相关研究进行深入剖析。
一、预测模型的构建构建基于医疗大数据的糖尿病预测模型，首先需要建立病人特征与糖尿病的关系数据库。
这一过程涉及到数据准备、数据清洗、特征选择、模型建立等步骤。
其中，数据准备是构建预测模型的前提。
病人特征数据包括性别、年龄、身高、体重、腰围、血压、血脂、血糖等，需要获取病人的大量医疗记录。
数据清洗是保证数据质量不可或缺的一步。
通过数据清洗，可以保证预测模型的准确性，并排除造成误差的无效数据，比如缺失值、离群值等。
特征选择则是选择最具代表性、可区分性的病人特征，删除冗余和无用特征，保证预测模型的可靠性。
建立预测模型的时候，需要选择最合适的分类模型，比如决策树、人工神经网络、支持向量机等。
通过算法对医疗大数据进行建模，可以得出不同病人的患糖风险。
二、对比与实现在医疗大数据的糖尿病预测模型建立后，有必要对各种预测方法进行比较分析。
根据文献调研结果看，目前主要有基于机器学习算法的、基于人工神经网络的、基于贝叶斯网的等多种预测方法。
这些方法的主要优点是能够预测患病风险，并提出预防措施。
但各自方法的优劣势还需要深入研究和比较。
机器学习算法是当前应用最为广泛的一类分类方法，其应用较为简单，常用的分类器有决策树、朴素贝叶斯、支持向量机等。
人工神经网络则是一种高度分散和并行的计算机处理工具，利用多个处理器解决复杂问题，其优势在于判断病人患糖尿病的概率时具有高度的准确性。
贝叶斯网则是一类概率图模型，可以进行多个因素之间的相关性分析，并给出合理的患病概率。
在研究预测模型的实现方面，需要结合实际情况，针对不同的人群，制定相应的策略。
比如，对于高危人群，需要进行重点关注，提醒，给予有效的防治措施及治疗方案。
三、未来研究方向糖尿病是一种公共卫生问题，近年来发病率持续上升，预测模型更加符合现代公共卫生管理的发展需求。
基于卷积神经网络的药物靶点预测模型研究
基于卷积神经网络的药物靶点预测模型研究近年来，随着生物信息学和机器学习的发展，基于计算机预测药物靶点成为了药物研发领域的一个重要课题。
药物靶点预测是指通过计算机算法，根据药物的结构特征，预测出其可能的靶点蛋白。
卷积神经网络（Convolutional Neural Network，CNN）作为一种深度学习模型，近年来在图像处理、自然语言处理等领域取得了巨大的成功。
由于药物分子可以看作是一种二维图像，其中原子作为像素点，分子结构为二维拓扑信息，卷积神经网络也开始应用于药物靶点预测的研究中。
卷积神经网络的药物靶点预测模型主要由以下几个步骤构成：数据集准备、模型构建、训练和评估。
在数据集准备阶段，研究者需要收集有关药物和靶点蛋白的相关数据。
这些数据包括药物分子的结构信息、活性数据、蛋白质序列和靶点标签等。
药物分子的结构信息可以通过常见的分子描述符（如ECFP、RDKit等）进行编码和表示。
蛋白质序列则可以通过生物信息学的方法进行处理和编码。
在模型构建阶段，研究者需要根据卷积神经网络的原理和药物靶点预测的需求，设计网络架构。
常见的网络架构包括卷积层、池化层、全连接层等。
研究者可以根据实际情况和需求进行调整和优化。
训练阶段是模型学习和参数优化的重要过程。
研究者需要将准备好的数据集划分为训练集、验证集和测试集。
在训练过程中，模型通过在训练集上不断迭代优化网络参数，以最小化损失函数。
同时，通过验证集的评估，及时调整网络结构和超参数，避免过拟合现象的发生。
评估阶段是对训练好的模型性能进行测试和评估的过程。
研究者将测试集输入到训练好的模型中，得到预测结果。
评估指标通常包括准确率、召回率、F1值等。
同时，还需要与其他已有的模型进行对比和分析，以评价模型的性能优劣。
基于卷积神经网络的药物靶点预测模型研究在药物研发领域具有广阔的应用前景。
它可以帮助研究人员快速筛选和评估可能的靶点，减少实验成本，加速药物研发的进程。
同时，该模型还可以应用于虚拟筛选、药物再利用和副作用预测等方面，为药物研发提供更多有价值的信息。
基于Attention机制的U-net的眼底渗出液分割
基于Attention机制的U-net的眼底渗出液分割摘要：糖尿病视网膜病变 (DR) 是一种严重的眼部异常，其严重情况下会导致视网膜脱落甚至失明。
眼底的渗出液是由于高血糖毒性作用，导致血屏障破坏，血管内的脂质等漏出而造成的。
是视网膜病变的并发症之一。
由于患者与专业医生数量悬殊巨大，设计一个可以自动的检测渗出液的医疗助手是十分重要的任务。
本文依托于深度学习方法，以U-Net架构为骨架网络，以准确度 (Acc)、灵敏度(SE)、特异性 (SP)以及AUC值作为模型性能的评估指标，先测试了原始U-Net在该任务上的分割能力，在该任务上达到99.8%的准确度，73.1%的灵敏度，98.0%的特异性以及0.973的AUC值。
根据U-Net网络架构的固有问题，将Attention机制与U-Net结构，搭建Attention U-Net。
99.8%的准确度，81.5%的灵敏度，99.8%的特异性以及0.985的AUC值。
实验结果表明，Attention U-Net有更好的特征提取能力。
关键词：视网膜病变；深度学习；Attention U-Net；硬渗出液分割1引言糖尿病视网膜病变（DR）是一种严重的眼部异常，这种病变与慢性糖尿病相关，是糖尿病最常见的微血管病症之一，是慢性糖尿病导致的视网膜微血管渗漏和阻塞而引起的一系列的眼底病变，有微血管瘤、硬性渗出甚至视网膜脱落等等表现。
患有它的患者可能会逐渐失去视力，甚至造成失明 [1]。
近年来，随着医学水平的不断提高，糖尿病视网膜病变（DR）可以通过及时诊断和干预来治疗，但是视力障碍的病变和症状很容易在疾病的早期阶段被忽视，这会导致之后治疗的成本和风险大大提高。
与之应对的措施之一就是安排糖尿病患者进行定期检查以延迟或减轻失明的风险。
但是，由于医护数量有限，且具有经验的临床医生目前远远不足以进行不间断的诊断庞大的糖尿病患者群体，截至目前，全球有超过4亿糖尿病患者。
若想完成对每一位患者的周期性检查，几乎是不可能完成的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
但是从以上研究结果可以看出，研究人员对糖尿病患者的治疗效果和病情监测主要集中在血糖水平 的变化上。很少有研究关注预测住院病人的治疗结果。然而，有重要影响[16] [17]。
因此，本研究将探讨住院患者的病历资料，以追踪住院治疗后出院后短期内再次住院的风险。 本文在对糖尿病患者住院信息进行分析和处理的基础上，使用改进的卷积神经网络预测出院后短期 内再次住院的风险。本文的其余部分按以下方式组织。在第二节中，我们将介绍有关数据集的信息；第 三节专门阐述拟议方案的框架。第四节讨论了实验和性能比较。第六节总结了论文的结论。
随着医疗信息化的发展，各医疗机构在患者诊疗过程中积累了大量的患者医疗电子数据[3]。充分利 用大量的医疗数据，探索有价值的治疗规律，帮助医生进行诊断和治疗，从而缓解部分地区医疗资源的 不足。
Figure 1. Global distribution map of diabetic patients 图 1. 糖尿病患者全球分布图
DOI: 10.12677/csa.2020.105094
915
计算机科学与应用
王莹 等
机器学习作为多领域交叉学科，近年来已经得到了很大的发展。深度学习作为机器学习的一个分支， 由于其强大的特征提取能力，可以用来挖掘数据的深层特征。目前，许多学者利用机器学习算法对糖尿 病患者的数据进行研究，以提高糖尿病患者的治疗效果和病情。一般来说，这些研究方法可以分为数理 统计方法和机器学习方法[4]。
Received: Apr. 23rd, 2020; accepted: May 6th, 2020; published: May 13th, 2020
Abstract
The remarkable progress of biotechnology and medical science has led to the significant production of biomedical data. For diabetes mellitus (DM), a common chronic disease, a large number of medical data has also been generated in the process of diagnosis and treatment. So the exploration of medical data has become a hotspot. The purpose of this study was to explore the short-term admission probability of discharged patients. According to the probability of re-admission within 30 days, we can judge the effect of this treatment, thus assisting doctors to provide more efficient treatment for patients, so as to improve the quality of life of patients. In this study, the data has been processed, and the improved convolutional neural network algorithm (CNN-EI) was used to perform data mining on the dataset of diabetic case data. The experimental results show that the improved algorithm can well perform high-dimensional and large-sample medical data. Accuracy is 83.7%. The result is compared to the result of other state-of-art methods.
Open Access
1. 引言
糖尿病是一种常见的慢性非传染性疾病。患者的代谢紊乱会导致患者长期高血糖水平。由于该病不易 治愈，患者长期高血糖水平给患者的肾脏、心血管和神经系统带来了严重危害，造成了许多并发症，给患 者的身心健康带来极大危害。不过，根据世界卫生组织 2017 年发布的《世界卫生统计报告》，2015 年约 有 4000 万人死于慢性非传染性疾病。其中，糖尿病是人类第四大死因[1]。报告指出，约 80%的糖尿病患 者在中低收入国家[2]，如图 1 所示，这些国家为所有糖尿病患者提供有效治疗的医疗资源有限。因此，开 展糖尿病防治工作，帮助患者提高治疗效率，对糖尿病患者尤其是中低收入国家的糖尿病患者是有益的。
机器学习是处理机器从经验中学习的方法的科学领域[7]。在使用机器学习算法的研究中，研究员 T. Araki 等人提出了一种基于支持向量机(support vector machine, SVM)和主成分分析(principal component analysis, PCA)相结合的冠状动脉形态特征提取系统。ห้องสมุดไป่ตู้系统用于评估患者的疾病风险[8]。
DOI: 10.12677/csa.2020.105094
916
计算机科学与应用
王莹 等
根据上述信息，共有 10,766 个数据、54 个属性列和一个满足上述条件的标签变量。标签变量为：出 院后 30 天内未再次入院的患者为 0，30 天内再次入院的患者为 1。患者入院记录标签用于判断患者是否 有可能在短时间内再次入院，从而判断本次治疗的效果。每个样本包含 54 个属性，包括患者编号、种族、 性别、年龄、入院类型、住院时间、检查次数、糖化血红蛋白测试结果、胰岛素释放测试结果、药物数 量、糖尿病药物、门诊诊断记录、急诊次数等属性。表 1 显示了一些关键属性和说明。
Table 1. Some key attributes in dataset 表 1. 数据集中的一些关键属性
变量名称 PATIENT_NBR
RACE GENDER
AGE Admission type Time in hospital MEDICAL_SPECIALTY
Computer Science and Application 计算机科学与应用, 2020, 10(5), 914-926 Published Online May 2020 in Hans. /journal/csa https:///10.12677/csa.2020.105094
关键词
糖尿病，辅助诊断与治疗，数据分析，机器学习
Copyright © 2020 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY 4.0). /licenses/by/4.0/
2. 数据集
本节致力于介绍我们工作中使用的数据集。本研究使用的数据集来自 UCI 机器学习库[18]，该库记 载了美国 130 家医院 10 年来收治的糖尿病患者的临床护理记录。
根据 UCI 机器学习库的描述，该数据集中的数据满足以下信息[18]： 1) 住院病人的经历。 2) “糖尿病”的遭遇，即在此期间将任何类型的糖尿病输入到系统作为诊断。 3) 住院时间至少 1 天，最多 14 天。 4) 在住院期间进行了实验测试。 5) 在住院期间进行了药物治疗。
Prediction of Diabetes Based on Convolutional Neural Network
Ying Wang1, Heng Zhang1*, Jian Zuo1, Kuang-Gi Shu1,2
1School of Computer and Information Science, South West University, Chongqing 2Beijing New Energy Vehicle Technology Innovation Center Co., Ltd., Beijing
Keywords
Diabetes, Assisted Diagnosis and Treatment, Data Analysis, Machine Learning
基于卷积神经网络的糖尿病预测
王 莹1，张 衡1*，左 健1，徐匡一1,2
1西南大学计算机与信息科学学院，重庆 2北京新能源汽车技术创新中心有限公司，北京
作为机器学习的重要技术和研究领域，深度学习可以实现输入信息的逐层提取和筛选。因此，深度 学习具有表征学习的能力，可以实现端到端的监督学习和无监督学习[11] [12]。机器学习技术本身可以用 来产生良好的特征，这使得机器学习向“自动数据分析”迈进了一步[13]。在糖尿病预防研究领域，研究 人员 Zakhriya Alhassan 使用 14,000 名 2 型糖尿病患者的连续数据集，对 LSTM (长–短期记忆，Long Short-Term Memory)和 GRU (门控循环单元，Gated-Recurrent Unit)进行了培训。该模型对 2 型糖尿病具有 良好的诊断作用[14]。K. Kogias 提出了利用卷积神经网络(Convolutional Neural Networks 简称 CNNs)创建 的两级图像分类方案，目的是将图像中的营养素含量相似的八大食品类别之一分类，然后将其分配给该 类别中的特定食品。该算法预测餐后血糖水平的准确率分别为 84.18%和 85.94% [15]。