• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

Into the Black Box: What Can Machine Learning Offer Environmental Health Research?

作者信息

Schmidt Charles W

出版信息

Environ Health Perspect. 2020 Feb;128(2):22001. doi: 10.1289/EHP5878. Epub 2020 Feb 26.

DOI:10.1289/EHP5878
PMID:32101024
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC7064317/
Abstract
摘要
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/309a83e5b987/ehp-128-022001-g003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/bfdea488b34a/ehp5878_abstract.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/8a27677092f6/ehp-128-022001-g001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/baa852799843/ehp-128-022001-g002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/309a83e5b987/ehp-128-022001-g003.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/bfdea488b34a/ehp5878_abstract.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/8a27677092f6/ehp-128-022001-g001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/baa852799843/ehp-128-022001-g002.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/a8bc/7064317/309a83e5b987/ehp-128-022001-g003.jpg

相似文献

1
Into the Black Box: What Can Machine Learning Offer Environmental Health Research?深入黑箱：机器学习能为环境卫生研究带来什么？
Environ Health Perspect. 2020 Feb;128(2):22001. doi: 10.1289/EHP5878. Epub 2020 Feb 26.
2
Using machine learning to examine the relationship between asthma and absenteeism.利用机器学习研究哮喘与缺勤之间的关系。
Environ Monit Assess. 2019 Jun 28;191(Suppl 2):332. doi: 10.1007/s10661-019-7423-2.
3
Peering Into the Black Box of Artificial Intelligence: Evaluation Metrics of Machine Learning Methods.窥视人工智能的黑箱：机器学习方法的评估指标。
AJR Am J Roentgenol. 2019 Jan;212(1):38-43. doi: 10.2214/AJR.18.20224. Epub 2018 Oct 17.
4
Erratum: "Into the Black Box: What Can Machine Learning Offer Environmental Health Research?".勘误：《走进黑匣子：机器学习能为环境卫生研究提供什么？》
Environ Health Perspect. 2020 Mar;128(3):39002. doi: 10.1289/EHP7007. Epub 2020 Mar 13.
5
Shining Light Into the Black Box of Machine Learning.照亮机器学习的黑匣子
J Natl Cancer Inst. 2019 Sep 1;111(9):877-879. doi: 10.1093/jnci/djy226.
6
The evolution of boosting algorithms. From machine learning to statistical modelling.提升算法的演进。从机器学习到统计建模。
Methods Inf Med. 2014;53(6):419-27. doi: 10.3414/ME13-01-0122. Epub 2014 Aug 12.
7
Combining macula clinical signs and patient characteristics for age-related macular degeneration diagnosis: a machine learning approach.结合黄斑临床体征和患者特征进行年龄相关性黄斑变性诊断：一种机器学习方法。
BMC Ophthalmol. 2015 Jan 27;15:10. doi: 10.1186/1471-2415-15-10.
8
Proximity Environmental Feature Based Tree Health Assessment Scheme Using Internet of Things and Machine Learning Algorithm.基于物联网和机器学习算法的临近环境特征树木健康评估方案。
Sensors (Basel). 2019 Jul 15;19(14):3115. doi: 10.3390/s19143115.
9
Automated Algorithm Selection on Continuous Black-Box Problems by Combining Exploratory Landscape Analysis and Machine Learning.通过结合探索性景观分析和机器学习，对连续黑盒问题进行自动算法选择。
Evol Comput. 2019 Spring;27(1):99-127. doi: 10.1162/evco_a_00236. Epub 2018 Oct 26.
10
Logic Learning Machine and standard supervised methods for Hodgkin's lymphoma prognosis using gene expression data and clinical variables.逻辑学习机和标准监督方法在使用基因表达数据和临床变量进行霍奇金淋巴瘤预后中的应用。
Health Informatics J. 2018 Mar;24(1):54-65. doi: 10.1177/1460458216655188. Epub 2016 Jun 27.

引用本文的文献

1
The use of public spatial databases in risk analysis: A US-oriented tutorial.公共空间数据库在风险分析中的应用：面向美国的教程。
Risk Anal. 2025 Jul;45(7):1632-1647. doi: 10.1111/risa.17705. Epub 2025 Jan 18.
2
Combined Exposures and Mixtures Research: An Enduring NIEHS Priority.联合暴露和混合物研究：NIEHS 的持久优先事项。
Environ Health Perspect. 2024 Jul;132(7):75001. doi: 10.1289/EHP14340. Epub 2024 Jul 5.
3
Developing a hypertension visualization risk prediction system utilizing machine learning and health check-up data.

本文引用的文献

1
Extending the spatial scale of land use regression models for ambient ultrafine particles using satellite images and deep convolutional neural networks.利用卫星图像和深度卷积神经网络扩展环境超细颗粒物的土地利用回归模型的空间尺度。
Environ Res. 2019 Sep;176:108513. doi: 10.1016/j.envres.2019.05.044. Epub 2019 May 30.
2
Addendum: The FAIR Guiding Principles for scientific data management and stewardship.附录：科学数据管理与 stewardship 的 FAIR 指导原则。 （注：“stewardship”直译为“管理工作”“ stewardship”在这里没有完全对应的中文词汇，结合语境整体意思为科学数据管理与相关工作的指导原则 ）
Sci Data. 2019 Mar 19;6(1):6. doi: 10.1038/s41597-019-0009-6.
3
利用机器学习和健康检查数据开发高血压可视化风险预测系统。
Sci Rep. 2023 Nov 2;13(1):18953. doi: 10.1038/s41598-023-46281-y.
4
Spatial Clusters of Cancer Mortality in Brazil: A Machine Learning Modeling Approach.巴西癌症死亡率的空间聚类：一种机器学习建模方法。
Int J Public Health. 2023 Jul 20;68:1604789. doi: 10.3389/ijph.2023.1604789. eCollection 2023.
5
Socioexposomics of COVID-19 across New Jersey: a comparison of geostatistical and machine learning approaches.新泽西州 COVID-19 的社会暴露组学：地理统计学和机器学习方法的比较。
J Expo Sci Environ Epidemiol. 2024 Mar;34(2):197-207. doi: 10.1038/s41370-023-00518-0. Epub 2023 Feb 1.
6
Constrained groupwise additive index models.约束性群组加性指数模型。
Biostatistics. 2023 Oct 18;24(4):1066-1084. doi: 10.1093/biostatistics/kxac023.
7
Flexible Bayesian Ensemble Machine Learning Framework for Predicting Local Ozone Concentrations.灵活贝叶斯集成机器学习框架，用于预测局部臭氧浓度。
Environ Sci Technol. 2022 Apr 5;56(7):3871-3883. doi: 10.1021/acs.est.1c04076. Epub 2022 Mar 21.
8
Translatability Analysis of National Institutes of Health-Funded Biomedical Research That Applies Artificial Intelligence.国家卫生研究院资助的应用人工智能的生物医学研究的可翻译性分析。
JAMA Netw Open. 2022 Jan 4;5(1):e2144742. doi: 10.1001/jamanetworkopen.2021.44742.
9
Joint and interactive effects between health comorbidities and environmental exposures in predicting amyotrophic lateral sclerosis.健康共病与环境暴露在预测肌萎缩侧索硬化症中的联合和交互作用。
Int J Hyg Environ Health. 2021 Jan;231:113655. doi: 10.1016/j.ijheh.2020.113655. Epub 2020 Oct 30.
A picture tells a thousand…exposures: Opportunities and challenges of deep learning image analyses in exposure science and environmental epidemiology.
一图胜千言……曝光度：深度学习图像分析在暴露科学和环境流行病学中的机遇与挑战。
Environ Int. 2019 Jan;122:3-10. doi: 10.1016/j.envint.2018.11.042. Epub 2018 Nov 22.
4
Machine Learning for Environmental Toxicology: A Call for Integration and Innovation.环境毒理学中的机器学习：整合与创新的呼声。
Environ Sci Technol. 2018 Nov 20;52(22):12953-12955. doi: 10.1021/acs.est.8b05382. Epub 2018 Oct 19.
5
Machine Learning of Toxicological Big Data Enables Read-Across Structure Activity Relationships (RASAR) Outperforming Animal Test Reproducibility.毒理学大数据的机器学习可实现优于动物测试重现性的读交叉结构活性关系 (RASAR)。
Toxicol Sci. 2018 Sep 1;165(1):198-212. doi: 10.1093/toxsci/kfy152.
6
Air Pollution and Mortality in the Medicare Population.医疗保险人群中的空气污染与死亡率
N Engl J Med. 2017 Jun 29;376(26):2513-2522. doi: 10.1056/NEJMoa1702747.
7
Assessing PM2.5 Exposures with High Spatiotemporal Resolution across the Continental United States.在美国大陆以高时空分辨率评估细颗粒物（PM2.5）暴露情况。
Environ Sci Technol. 2016 May 3;50(9):4712-21. doi: 10.1021/acs.est.5b06121. Epub 2016 Apr 22.
8
Deep learning.深度学习。
Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.