将深度学习和机器学习放在一起比较，深度学习的优势在于产生数据，目前用深度学习来重复人类的工作，显然是大才小用，应该利用深度学习算法提取人类所认识不到的特征，而机器学习的优势在于使用数据，而目前局限于医学临床数据特异性和准确性的不足，机器学习算法无法准确地诊断疾病和预后预测， 两者的融合互补，将为人工智能在医学中的应用带来新的契机。而在深度学习与机器学习融合的模式中，深度学习的变为特征提取工具，其主

立方样条回归（RCS）用的是独立变量及其SHAP值之间的单因素回归，但是因为SHAP值计算的时候是多因素lightgbm计算出来的，所以最终结果中含有多因素的成份，与普通的两个变量之间的直接RCS拟合不同。1.筛选， 使用boruta算法对变量实现快速的筛选，后续分析只针对感兴趣的变量，因而提高了分析的效率。这一步耗费的时间比较长。但是运行起来比较耗费资源，主要是第二步导致部署在网路上的APP运行

本研究创新性地结合贝叶斯统计和机器学习方法，对术后院内感染危险因素进行系统分析。通过Boruta算法筛选出住院时长(LOS)和上臂肌肉面积(AMA)两个核心因素，采用贝叶斯逻辑回归量化关联强度，发现LOS每增加1单位感染风险升高42%。结合SHAP分析和立方样条回归，确定LOS超过6天为感染风险临界值，AMA在36.4-58cm²区间时感染风险最低。该研究为临床术后感染预防提供了科学依据，并建立了

本文介绍了在同一宿主机上部署两个Oracle XE 21c容器（db1和db2），通过Docker内网和Oracle DBLINK实现跨库联合查询的方法。主要步骤包括：创建Docker自定义网络连接两个容器；查询db2容器内网IP；在db1中创建DBLINK连接db2；执行跨库查询（示例为血脂相关数据查询）。文章还提供了常见问题解决方案，如网络连接问题、账号锁定、容量限制等注意事项，并说明查询结果

本文介绍了在同一宿主机上部署两个Oracle XE 21c容器（db1和db2），通过Docker内网和Oracle DBLINK实现跨库联合查询的方法。主要步骤包括：创建Docker自定义网络连接两个容器；查询db2容器内网IP；在db1中创建DBLINK连接db2；执行跨库查询（示例为血脂相关数据查询）。文章还提供了常见问题解决方案，如网络连接问题、账号锁定、容量限制等注意事项，并说明查询结果

转录组学的生物信息学分析是医生解决临床与科研问题的有力工具。这里罗列医学转录组学相关的几个概念，从使用者（医生）的角度看待理解相关技术，为后续使用该技术说明临床和科研问题奠定基础。

列线图是数据分析中的经典图形，通过背后精妙的算法设计，展示线性模型（logistic regression 和Cox）中各个变量对于预测结果的总体贡献（线段长短），另外，线段上有刻度，使得列线图兼具实用功能：在实际操作中，可以将某套待预测的变量值通过列线图转变为一个个得分，最终相加得到总得分，而总得分对应的概率轴上的刻度，就是这套变量通过预测模型得到的风险概率。

最近，接到一个部署深度学习APP的需求，这个APP使用torch、monai和pydicom等库构建了一个识别CT图像中皮下脂肪、内脏脂肪和骨骼肌，输入是CT图像，输出是识别的图像和相关数据。接手的时候，核心的算法已经制作完成，仅是需要我构建GUI并将其部署到某种途径上，实现其应用。

这是“构建个人小型医学数据库”系列文章的最后一部分。通过之前的工作我们确定了所要收集的各类变量并将其录入到mySQL数据库中。为了展示MySQL中存储的数据，通过摸索我们最终使用appML、PHP和JavaScript开发一个展示页面。这些技术可以协同工作，以创建一个有用的用户界面，显示相关的数据。构建展示页面的必要性在于，让用户可以方便地浏览MySQL数据库中的数据。展示页面可以帮助用户更好地理

AI与数据分析的融合效果怎样？