.png){kind=icon}
返回
A multi-task learning approach combining regression and classification tasks for joint feature selection
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-43551-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多任务学习（MTL）是一种学习范式，能够实现多个通信算法的同时训练，并已被广泛应用于生物医学分析中的共享生物标志物识别。虽然MTL已成功支持回归或分类任务，但将混合类型的任务整合到统一的MTL框架中仍具挑战性，尤其是在生物医学领域，这可能导致生物标志物识别产生偏差。为解决此问题，我们提出了一种改进的多任务学习方法MTLComb，该方法平衡回归和分类任务的权重以促进无偏生物标志物识别。我们通过在模拟数据和与败血症、精神分裂症相关的实际生物医学研究中的分析，展示了MTLComb的算法效率和临床实用性。代码可在https://github.com/transbioZI/MTLComb获取。
Keyword:
Data integration
Data mining
Machine learning
Biomarker identification
Sepsis
Molecular psychiatry
Schizophrenia
Science
Humanities and Social Sciences
multidisciplinary
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
An Algorithm for Systemic Inflammatory Response Syndrome Criteria-Based Prediction of Sepsis in a Polytrauma Cohort多发伤队列中基于全身炎症反应综合征标准的脓毒症预测算法
PREAI
分享收藏
查看更多内容