CN105160207A - 一种前列腺肿瘤的类型预测方法和系统 - Google Patents
一种前列腺肿瘤的类型预测方法和系统 Download PDFInfo
- Publication number
- CN105160207A CN105160207A CN201510541211.0A CN201510541211A CN105160207A CN 105160207 A CN105160207 A CN 105160207A CN 201510541211 A CN201510541211 A CN 201510541211A CN 105160207 A CN105160207 A CN 105160207A
- Authority
- CN
- China
- Prior art keywords
- sample
- class
- tested
- matrix
- type prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请公开了一种前列腺肿瘤的类型预测方法和系统,该方法和系统首先获取包含受检者的基因表达数据的待测样本;对待测样本进行归一化,构造归一化后的新待测样本;利用预设的投影变换矩阵将新待测样本映射到低维特征空间中,得到映射后的投影测试样本;从投影变换矩阵的训练样本集中找到与投影测试样本距离最近的样本;将样本的类型赋予投影测试样本,从而完成对前列腺肿瘤的类型预测并得到类型预测结果。
Description
技术领域
本申请涉及基因技术领域,更具体地说,涉及一种前列腺肿瘤的类型预测方法和系统。
背景技术
前列腺肿瘤包括前列腺上皮来源或间叶来源的肿瘤,大部分为恶性肿瘤,包括前列腺肿瘤、前列腺肉瘤等。前列腺肿瘤患者主要是老年男性。但随着20世纪90年代中期大量开展血清前列腺特异抗原(PSA)的检测以来,越来越早的前列腺肿瘤被发现,此时往往不伴有任何症状。前列腺肉瘤好发于年轻人,发病率不高,以排尿困难为首发症状,此病恶性程度极高,疾病发展极快,预后极差。
随着人工智能在医院领域的应用,越来越多的机器学习方法被用于进行智能诊断。目前在对健康人群进行前列腺肿瘤筛选时,一般采用DNA微阵列技术来获取基因表达数据,通过对基因表达数据的分析计算能够得到作为对前列腺肿瘤进行类型预测的参考因素,由于得到的基因表达数据的数据量非常庞大,因此如何从庞大的基因表达数据中得到类型预测结果是较为困难的问题。当然,一般的医务人员根据该类型预测结果还是无法最终确定受检者是否罹患肿瘤,但是通过该结果的倾向性指导可以促使医务人员通过病理诊断方法对受检者做进一步诊断,以确定是否患有前列腺肿瘤。
发明内容
有鉴于此,本申请提供一种前列腺肿瘤的类型预测方法和系统,用于对受检者的基因标定数据进行处理,并得到类型预测结果。
为了实现上述目的,现提出的方案如下:
一种前列腺肿瘤的类型预测方法,包括步骤:
获取包含受检者的基因表达数据的待测样本;
对所述待测样本进行归一化,构造归一化后的新待测样本;
利用预设的投影变换矩阵将所述新待测样本映射到低维特征空间中,得到映射后的投影测试样本;
从所述投影变换矩阵的训练样本集中找到与所述投影测试样本距离最近的样本;
将所述样本的类型赋予所述投影测试样本,完成类型预测。
可选的,所述投影变换矩阵通过下面步骤获取:
获取基因表达训练数据;
从所述基因表达训练数据中随机抽取部分特征数据,得到训练数据集;
将所述训练数据集映射到相对低维的低维特征空间;
将所述低维度特征空间中的训练数据集构建为类内相似矩阵和类间相似矩阵;
对与所述类内相似矩阵的关联的类内局部散度矩阵和与所述类间相似矩阵相关联的类间局部散度矩阵进行广义特征分解,得到所述投影变换矩阵。
可选的,所述得到训练数据集过程中需要对所述部分特征数据进行归一化处理,从而得到所述训练数据集。
可选的,所述类内相似矩阵和所述类间相似矩阵通过预先定义的余弦去中心相似性函数获得。
一种前列腺肿瘤的类型预测系统,包括:
待测样本获取模块,用于获取包含受检者的基因表达数据的待测样本;
归一化模块,用于对所述待测样本进行归一化,构造归一化后的新待测样本;
学习模块,用于利用预设的投影变换矩阵将所述新待测样本映射到低维特征空间中,得到映射后的投影测试样本;
查找模块,用于从所述投影变换矩阵的训练样本集中找到与所述投影测试样本距离最近的样本;
预测模块,用于将所述样本的类型赋予所述投影测试样本,完成类型预测。
可选的,所述待测样本获取模块包括DNA微阵列芯片。
可选的,所述学习模块包括:
训练数据获取单元,用于获取基因表达训练数据;
随机抽取单元,用于从所述基因表达训练数据中随机抽取部分特征数据,得到训练数据集;
映射单元,用于将所述训练数据集映射到相对低维的低维特征空间;
相似矩阵构建单元,用于将所述低维度特征空间中的训练数据集构建为类内相似矩阵和类间相似矩阵;
投影变换矩阵构建单元,用于对与所述类内相似矩阵的关联的类内局部散度矩阵和与所述类间相似矩阵相关联的类间局部散度矩阵进行广义特征分解,得到所述投影变换矩阵。
可选的,所述随机抽取单元包括:
归一化子单元,用于通过对所述部分特征数据进行归一化处理得到所述训练数据集。
可选的,所述相似矩阵构建单元还包括:
函数构建子单元,用于通过构建所述余弦去中心相似性函数获得所述类内相似矩阵和所述类间相似矩阵。
从上述的技术方案可以看出,本申请公开了一种前列腺肿瘤的类型预测方法和系统,该方法和系统首先获取包含受检者的基因表达数据的待测样本;对待测样本进行归一化,构造归一化后的新待测样本;利用预设的投影变换矩阵将新待测样本映射到低维特征空间中,得到映射后的投影测试样本;从投影变换矩阵的训练样本集中找到与投影测试样本距离最近的样本;将样本的类型赋予投影测试样本,从而完成对前列腺肿瘤的类型预测并得到类型预测结果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种前列腺肿瘤的类型预测方法的流程图;
图2为本申请提供的预测率随维数的变化曲线图;
图3为本申请提供的另一预测率随维数的变化曲线图;
图4为本申请提供的投影变换矩阵的获取步骤的流程图;
图5为本申请另一实施例提供的一种前列腺肿瘤的类型预测系统的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
图1为本申请实施例提供的一种前列腺肿瘤的类型预测方法的流程图。
如图1所示,本实施例提供的前列腺肿瘤的类型预测方法包括如下步骤:
S101:获取包含受检者的基因表达数据的待测样本。
将该待测样本记录为x∈RD。
S102:根据待测样本得到新待测样本。
根据保留的特征位置集I和训练样本集的归一化方式,利用待测样本x∈RD构造一个新待测样本x′∈Rd。
S103:利用投影变换矩阵得到投影测试样本。
利用预设的投影变换矩阵P把新待测样本映射到低维特征空间中,得到投影后的测试样本z=PTx′∈Rr,为记录方便,将其记为投影测试样本。
S104:查找与投影测试样本距离最近的样本。
利用最近邻分类器,对投影后的投影测试样本z在低维特征空间进行判别。也就是说,在上述的投影变换矩阵中的训练样本集找到与投影测试样本距离最近的样本。
S105:将该样本的类型赋予投影测试样本。
在找到与投影测试样本距离最近的样本后,把该样本的类型赋予投影测试样本z,从而得到对待测样本x进行类型预测的类型预测结果。
在本实施例中待测样本有34个,要重复诊断模块34次,报道平均结果。
图2和图3分别给出了两种算法的预测率随着维数变化曲线图。对比方法为:双图判别近邻嵌入以及本发明。可以看到本发明的预测率在维数较低时有着非常明显的优势,且能获得最佳诊断结果。表1给出了降维数为1到101之间最好预测结果的对比,括号中是对应的维数。本发明在较低维数时就取得了最好性能。
表1两种算法在前列腺肿瘤的类型预测数据集的性能对比
相似性样本个数 | 双图判别近邻嵌入 | 本发明 |
k=4 | 84.59±12.97(21) | 92.00±8.30(11) |
k=5 | 83.53±8.59(30) | 92.65±8.60(13) |
从上述技术方案可以看出,本实施例提供了一种前列腺肿瘤的类型预测方法,该方法首先获取包含受检者的基因表达数据的待测样本;对待测样本进行归一化,构造归一化后的新待测样本;利用预设的投影变换矩阵将新待测样本映射到低维特征空间中,得到映射后的投影测试样本;从投影变换矩阵的训练样本集中找到与投影测试样本距离最近的样本;将样本的类型赋予投影测试样本,从而完成对前列腺肿瘤的类型预测并得到类型预测结果。
本实施例中的投影变换矩阵经过下面步骤获取,如图4所示:
S1031:获取基因表达训练数据。
本实施例采集前列腺数据集136个样本,是前列腺肿瘤和相邻前列腺组织不含有肿瘤的基因表达测试数据样本。共两类,标记为有肿瘤和无肿瘤。每个样本有12533个特征。训练集共102个样本,52个是有肿瘤样本,其余50个是无肿瘤样本。测试集中有25个有肿瘤和9个无肿瘤。
假设设已有基因表达训练数据为其中xi∈RD是第i个人的基因表达数据,yi={1,2}表示xi的类别标签,1有肿瘤,2表示无肿瘤,N表示训练数据的个数,D表示训练数据的维数。在本实施例中,N=102,D=12533。
S1032:抽取部分特征数据,得到训练数据集。
一般来说,相对于N而言,D是一个非常大的数。为了减少计算复杂度,先随机抽取一部分特征,比如抽取d个特征,记录抽取特征的位置且|I|=d。在本实施例中,d=1000。为了消除随机性的影响,重复50次随机抽取。然后把抽取出来的特征值进行归一化,使得特征值的范围在[0,1]区间。则记随机特征选择且归一化后的训练数据集为并且x′i∈Rd。
S1033:将训练数据集映射到低维特征空间。
为了同时考虑保持低维坐标的几何特征和训练点信息,寻找一个最优的投影变换矩阵P,将训练数据集映射到相对低维的低维特征空间,比如r维空间,且r<<d<<D。在本实施例中,r可以取1到101,要小于样本的个数。在此低维的特征空间中,最大化类间距离且最小化类内距离,即:
其中trace(·)是指求矩阵的迹,Sb是类间局部散度矩阵,Sw类内局部散度矩阵。
S1034:构建两个相似矩阵。
为了计算这两个局部散度矩阵,我们构造两个相似矩阵,分别为类内相似矩阵Fw和类间相似矩阵Fb。
Sw=X(Dw-Fw)XT和Sb=X(Db-Fb)XT,其中Dw和Db均是对角矩阵, 和
为了获得这两个相似矩阵,我们定义余弦去中心相似性函数:
其中是有肿瘤训练样本中心,是无肿瘤训练样本中心。如果sc(x′i,x′j)值越大,则表明x′i与x′j在有肿瘤或者无肿瘤状态下越相似。Fw和Fb定义如下:
和
其中和分别是x′i的同类相似样本和异类相似样本集合。在本实施例中,相似性样本数分别取k=4和k=5。
S1035:计算投影变换矩阵。
为了最终获得投影变换矩阵P,对Sb和Sw进行广义特征分解。把获得的特征值按照从大到小的顺序进行排序,取前其r个特征值对应的特征向量组成矩阵P=[p1,p2,…,pr],其中pi是特征分解后的特征向量。
在得到了投影变换矩阵P后,通过投影把原样本空间的样本投影到低维特征空间,zi=PTx′i,其中zi是x′i在低维空间的投影,zi∈Rr。令为投影后的训练样本集。
实施例二
图5为本申请另一实施例提供的一种前列腺肿瘤的类型预测系统的结构图。
如图5所示,本实施例提供的前列腺肿瘤的类型预测系统包括待测样品获取模块10、归一化模块20、学习模块30、查找模块40和预测模块50。
待测样品获取模块10用于获取包含受检者的基因表达数据的待测样本。并将该待测样本记录为x∈RD。该待测样品获取模块中包含DNA微阵列芯片。
归一化模块20用于根据保留的特征位置集I和训练样本集的归一化方式,利用待测样本x∈RD构造一个新待测样本x′∈Rd。
学习模块30用于利用预设的投影变换矩阵P把新待测样本映射到低维特征空间中,得到投影后的测试样本z=PTx′∈Rr,为记录方便,将其记为投影测试样本。
查找模块40用于利用最近邻分类器,对投影后的投影测试样本z在低维特征空间进行判别。也就是说,在上述的投影变换矩阵中的训练样本集中,找到与投影测试样本距离最近的样本。
预测模块50用于在查找模块40找到与投影测试样本距离最近的样本后,把该样本的类型赋予投影测试样本z,从而得到对待测样本x进行类型预测的类型预测结果。
在本实施例中待测样本有34个,要重复诊断模块34次,报道平均结果。
从上述技术方案可以看出,本实施例提供了一种前列腺肿瘤的类型预测系统,该系统首先获取包含受检者的基因表达数据的待测样本;对待测样本进行归一化,构造归一化后的新待测样本;利用预设的投影变换矩阵将新待测样本映射到低维特征空间中,得到映射后的投影测试样本;从投影变换矩阵的训练样本集中找到与投影测试样本距离最近的样本;将样本的类型赋予投影测试样本,从而完成对前列腺肿瘤的类型预测并得到类型预测结果。
本实施例中的学习模块包括训练数据获取单元31、随机抽取单元32、映射单元33、相似矩阵构建单元34和投影变换矩阵构建单元35。
训练数据获取单元31用于获取基因表达训练数据。
本实施例采集前列腺数据集136个样本,是前列腺肿瘤和相邻前列腺组织不含有肿瘤的基因表达测试数据样本。共两类,标记为有肿瘤和无肿瘤。每个样本有12533个特征。训练集共102个样本,52个是有肿瘤样本,其余50个是无肿瘤样本。测试集中有25个有肿瘤和9个无肿瘤。
假设已有基因表达训练数据为其中xi∈RD是第i个人的基因表达数据,yi={1,2}表示xi的类别标签,1有肿瘤,2表示无肿瘤,N表示训练数据的个数,D表示训练数据的维数。在本实施例中,N=102,D=12533。
随机抽取单元32用于从基因表达训练数据中随机抽取部分特征数据,得到训练数据集。
一般来说,相对于N而言,D是一个非常大的数。为了减少计算复杂度,先随机抽取一部分特征,比如抽取d个特征,记录抽取特征的位置且|I|=d。在本实施例中,d=1000。为了消除随机性的影响,重复50次随机抽取。然后利用本模块的归一化子单元(问示出)把抽取出来的特征值进行归一化,使得特征值的范围在[0,1]区间。则记随机特征选择且归一化后的训练数据集为并且x′i∈Rd。
映射单元33用于将训练数据集映射到相对低维的低维特征空间。
为了同时考虑保持低维坐标的几何特征和训练点信息,寻找一个最优的投影变换矩阵P,将训练数据集映射到相对低维的低维特征空间,比如r维空间,且r<<d<<D。在本实施例中,r可以取1到101,要小于样本的个数。在此低维的特征空间中,最大化类间距离且最小化类内距离,即:
其中trace(·)是指求矩阵的迹,Sb是类间局部散度矩阵,Sw类内局部散度矩阵。
相似矩阵构建单元34用于为了计算上述两个局部散度矩阵而构造两个相似矩阵,分别为类内相似矩阵Fw和类间相似矩阵Fb。
Sw=X(Dw-Fw)XT和Sb=X(Db-Fb)XT,其中Dw和Db均是对角矩阵, 和
为了获得这两个相似矩阵,本模块还包括函数构建子单元(未示出),用于定义余弦去中心相似性函数:
其中是有肿瘤训练样本中心,是无肿瘤训练样本中心。如果sc(x′i,x′j)值越大,则表明x′i与x′j在有肿瘤或者无肿瘤状态下越相似。Fw和Fb定义如下:
和
其中和分别是x′i的同类相似样本和异类相似样本集合。在本实施例中,相似性样本数分别取k=4和k=5。
投影变换矩阵构建单元35用于对Sb和Sw进行广义特征分解。把获得的特征值按照从大到小的顺序进行排序,取前其r个特征值对应的特征向量组成矩阵P=[p1,p2,…,pr],其中pi是特征分解后的特征向量。
在得到了投影变换矩阵P后,通过投影把原样本空间的样本投影到低维特征空间,zi=PTx′i,其中zi是x′i在低维空间的投影,zi∈Rr。令为投影后的训练样本集。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种前列腺肿瘤的类型预测方法,其特征在于,包括步骤:
获取包含受检者的基因表达数据的待测样本;
对所述待测样本进行归一化,构造归一化后的新待测样本;
利用预设的投影变换矩阵将所述新待测样本映射到低维特征空间中,得到映射后的投影测试样本;
从所述投影变换矩阵的训练样本集中找到与所述投影测试样本距离最近的样本;
将所述样本的类型赋予所述投影测试样本,完成类型预测。
2.如权利要求1所述的类型预测方法,其特征在于,所述投影变换矩阵通过下面步骤获取:
获取基因表达训练数据;
从所述基因表达训练数据中随机抽取部分特征数据,得到训练数据集;
将所述训练数据集映射到相对低维的低维特征空间;
将所述低维度特征空间中的训练数据集构建为类内相似矩阵和类间相似矩阵;
对与所述类内相似矩阵的关联的类内局部散度矩阵和与所述类间相似矩阵相关联的类间局部散度矩阵进行广义特征分解,得到所述投影变换矩阵。
3.如权利要求2所述的类型预测方法,其特征在于,所述得到训练数据集过程中需要对所述部分特征数据进行归一化处理,从而得到所述训练数据集。
4.如权利要求2所述的类型预测方法,其特征在于,所述类内相似矩阵和所述类间相似矩阵通过预先定义的余弦去中心相似性函数获得。
5.一种前列腺肿瘤的类型预测系统,其特征在于,包括:
待测样本获取模块,用于获取包含受检者的基因表达数据的待测样本;
归一化模块,用于对所述待测样本进行归一化,构造归一化后的新待测样本;
学习模块,用于利用预设的投影变换矩阵将所述新待测样本映射到低维特征空间中,得到映射后的投影测试样本;
查找模块,用于从所述投影变换矩阵的训练样本集中找到与所述投影测试样本距离最近的样本;
预测模块,用于将所述样本的类型赋予所述投影测试样本,完成类型预测。
6.如权利要求5所述的类型预测系统,其特征在于,所述待测样本获取模块包括DNA微阵列芯片。
7.如权利要求5所述的类型预测系统,其特征在于,所述学习模块包括:
训练数据获取单元,用于获取基因表达训练数据;
随机抽取单元,用于从所述基因表达训练数据中随机抽取部分特征数据,得到训练数据集;
映射单元,用于将所述训练数据集映射到相对低维的低维特征空间;
相似矩阵构建单元,用于将所述低维度特征空间中的训练数据集构建为类内相似矩阵和类间相似矩阵;
投影变换矩阵构建单元,用于对与所述类内相似矩阵的关联的类内局部散度矩阵和与所述类间相似矩阵相关联的类间局部散度矩阵进行广义特征分解,得到所述投影变换矩阵。
8.如权利要求7所述的类型预测系统,其特征在于,所述随机抽取单元包括:
归一化子单元,用于通过对所述部分特征数据进行归一化处理得到所述训练数据集。
9.如权利要求7所述的类型预测系统,其特征在于,所述相似矩阵构建单元还包括:
函数构建子单元,用于通过构建所述余弦去中心相似性函数获得所述类内相似矩阵和所述类间相似矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510541211.0A CN105160207A (zh) | 2015-08-28 | 2015-08-28 | 一种前列腺肿瘤的类型预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510541211.0A CN105160207A (zh) | 2015-08-28 | 2015-08-28 | 一种前列腺肿瘤的类型预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160207A true CN105160207A (zh) | 2015-12-16 |
Family
ID=54801063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510541211.0A Pending CN105160207A (zh) | 2015-08-28 | 2015-08-28 | 一种前列腺肿瘤的类型预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407664A (zh) * | 2016-08-31 | 2017-02-15 | 深圳市中识创新科技有限公司 | 呼吸气体诊断系统的领域自适应方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1604112A (zh) * | 2004-11-03 | 2005-04-06 | 上海大学 | 疾病基因分类方法 |
US20050079513A1 (en) * | 2003-10-14 | 2005-04-14 | Ronald Levy | Classification of patients having diffuse large B-cell lymphoma based upon gene expression |
CN103679161A (zh) * | 2014-01-03 | 2014-03-26 | 苏州大学 | 一种人脸识别方法和装置 |
CN103870848A (zh) * | 2014-04-01 | 2014-06-18 | 苏州大学 | 投影变换矩阵的获取方法、样本分类方法 |
-
2015
- 2015-08-28 CN CN201510541211.0A patent/CN105160207A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050079513A1 (en) * | 2003-10-14 | 2005-04-14 | Ronald Levy | Classification of patients having diffuse large B-cell lymphoma based upon gene expression |
CN1604112A (zh) * | 2004-11-03 | 2005-04-06 | 上海大学 | 疾病基因分类方法 |
CN103679161A (zh) * | 2014-01-03 | 2014-03-26 | 苏州大学 | 一种人脸识别方法和装置 |
CN103870848A (zh) * | 2014-04-01 | 2014-06-18 | 苏州大学 | 投影变换矩阵的获取方法、样本分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407664A (zh) * | 2016-08-31 | 2017-02-15 | 深圳市中识创新科技有限公司 | 呼吸气体诊断系统的领域自适应方法及装置 |
CN106407664B (zh) * | 2016-08-31 | 2018-11-23 | 深圳市中识健康科技有限公司 | 呼吸气体诊断系统的领域自适应装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | 3D context enhanced region-based convolutional neural network for end-to-end lesion detection | |
Ananey-Obiri et al. | Predicting the presence of heart diseases using comparative data mining and machine learning algorithms | |
Alissa et al. | Parkinson’s disease diagnosis using convolutional neural networks and figure-copying tasks | |
Zarandah et al. | A Systematic Literature Review Of Machine and Deep Learning-Based Detection And Classification Methods for Diseases Related To the Respiratory System | |
Zararsiz et al. | Bagging support vector machines for leukemia classification | |
Katsis et al. | Big data techniques for public health: a case study | |
Abubeker et al. | B2-Net: an artificial intelligence powered machine learning framework for the classification of pneumonia in chest x-ray images | |
Farhidzadeh et al. | Classification of progression free survival with nasopharyngeal carcinoma tumors | |
Lee et al. | Sleepyco: Automatic sleep scoring with feature pyramid and contrastive learning | |
CN104200134A (zh) | 一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法 | |
CN104951666A (zh) | 一种疾病诊断方法和装置 | |
Kumar et al. | Human brain tumor classification and segmentation using CNN | |
Sivakumar et al. | Phenotype algorithm based big data analytics for cancer diagnose | |
Gu et al. | A cloud-based deep learning model in heterogeneous data integration system for lung cancer detection in medical industry 4.0 | |
Hao et al. | VP-Detector: A 3D multi-scale dense convolutional neural network for macromolecule localization and classification in cryo-electron tomograms | |
WO2022011855A1 (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN105160207A (zh) | 一种前列腺肿瘤的类型预测方法和系统 | |
Yuan et al. | A similarity-based disease diagnosis system for medical big data | |
Jouirou et al. | Multi-view content-based mammogram retrieval using dynamic similarity and locality sensitive hashing | |
An et al. | Multi-subband and multi-subepoch time series feature learning for EEG-based sleep stage classification | |
Wang et al. | Diagnosis of cognitive and motor disorders levels in stroke patients through explainable machine learning based on MRI | |
Acharya et al. | Prediction of Tuberculosis From Lung Tissue Images of Diversity Outbred Mice Using Jump Knowledge Based Cell Graph Neural Network | |
Hungilo et al. | Performance evaluation of ensembles algorithms in prediction of breast cancer | |
Gera et al. | A survey on data mining techniques in the medicative field | |
Ghimire et al. | Machine Learning Approach to Distinguish Ulcerative Colitis and Crohn’s Disease Using SMOTE (Synthetic Minority Oversampling Technique) Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151216 |