最近的研究使用高光谱成像（HSI）检测产品中的异物，并提出了一种新的特征选择方法。该方法绕过传统的维度缩减方法，实现了更好的解释性和捕捉 HSI 的时间延迟问题。实验证明，特征选择方法在推断阶段比特征提取方法更快速，同时保持了异常检测的性能。特征选择方法具有高效且快速的优势。

本研究使用九种机器学习算法和两种特征选择方法建立预测模型，发现重症肾脏损伤是最重要的特征。LSTM算法在预测死亡、ICU需求和通气天数方面表现最佳，准确率达90%。DNN算法在通气天数的预测中准确率为88%。综合各因素和局限性，机器学习算法可准确预测死亡、ICU需求和通气支持，在紧急和疫情爆发情况下非常有用。

最近的研究使用高光谱成像（HSI）检测产品中的异物。一种新的特征选择方法通过绕过传统的维度缩减方法，实现了更好的解释性和捕捉 HSI 的时间延迟问题，重新设计了一个任务优化和成本效益的光谱相机。实验证明，特征选择方法在推断阶段比特征提取方法更快速，同时保持了异常检测的性能。结论是特征选择方法具有高效且快速的优势。