本研究提出PEP-Net算法，结合3D残差网络与极端梯度提升，成功预测肺栓塞患者30天院内死亡率，准确率达到94.5%，优于传统模型。

本研究分析了25篇关于森林碳量的论文，识别出28种机器学习方法。随机森林在88%的研究中应用频繁，极端梯度提升在75%的比较中表现优异，并提出了提高森林碳储量准确性和可扩展性的最佳实践。

本研究探讨了可解释的人工智能（XAI）技术在预测自杀风险和识别主要原因方面的有效性。通过数据扩充技术和机器学习模型进行预测，并利用 SHapley 加性解释方法和相关性分析来排名预测变量的重要性。实验结果表明，决策树（DT）、随机森林（RF）和极端梯度提升（XGBoost）模型取得了最佳结果，其中 DT 具有最高的准确率（95.23%）和曲线下面积（0.95）。根据 SHAP 结果，愤怒问题、抑郁和社交孤立是预测自杀风险的主要变量，而拥有良好收入、受人尊敬的职业和大学教育背景的患者具有最低的风险。结果表明，机器学习和 XAI 框架对于自杀风险预测具有有效性，可以帮助精神科医生理解人类复杂行为，并可协助可靠的临床决策。