State University of New York at Buffalo;
机译:标准机器学习方法优于转录组数据的表型预测的深度表现
机译:使用数据和临床驱动的方法的颞叶癫痫中的认知表型:走向新分类法
机译:利用临床数据的乳腺癌生存预测机器学习和深度学习方法
机译:使用临床元素模型(CEM)标准化基因型和表型数据库(dbGaP)中的表型变量的可行性
机译:通过机器学习方法预测癌症表型:从基因模块化到深层神经网络
机译:标准机器学习方法在基于转录组学数据的表型预测上胜过深度表示学习
机译:使用深度学习方法处理免疫病理学和临床数据的方法:Multiplex IHC / IF数据作为范例