基于核方法的肺部X光图像学习用于预测新冠病毒患者 ICU 升级
机器学习
2026-02-12 v1 应用统计
机器学习
摘要
核方法在机器学习中广泛用于分类和预测任务，因其能够捕捉复杂非线性数据模式的能力。然而，单核方法本质上受限于依赖单一类型的核函数（如高斯核），可能不足以充分表征现实数据的异构性或多面性。多核学习（MKL）通过从简单的核函数构建复合核并整合来自异构来源的信息来克服这些限制。尽管已取得这些进展，但传统MKL方法主要为连续结果设计。我们将MKL扩展以适应结果变量属于指数族，从而表示更广泛的数据类型，我们将所提出的方法称为广义线性模型与集成多个加法回归结合核（GLIMARK）。经验上，我们证明GLIMARK能够有效恢复或近似真实的数据生成机制。我们将其应用于新冠肺部X光数据集，预测 ICU 升级的二元结果，并提取临床上有意义的特征，凸显了该方法在现实场景中实际实用性。
引用
@article{arxiv.2602.10261,
title = {Kernel-Based Learning of Chest X-ray Images for Predicting ICU Escalation among COVID-19 Patients},
author = {Qiyuan Shi and Jian Kang and Yi Li},
journal= {arXiv preprint arXiv:2602.10261},
year = {2026}
}