CN106897545B - 一种基于深度置信网络的肿瘤预后预测系统 - Google Patents
一种基于深度置信网络的肿瘤预后预测系统 Download PDFInfo
- Publication number
- CN106897545B CN106897545B CN201710007736.5A CN201710007736A CN106897545B CN 106897545 B CN106897545 B CN 106897545B CN 201710007736 A CN201710007736 A CN 201710007736A CN 106897545 B CN106897545 B CN 106897545B
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- variable
- classification
- hidden layer
- 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.)
- Active
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 41
- 238000004393 prognosis Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000036962 time dependent Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001173 tumoral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于深度置信网络的肿瘤预后预测系统,包括:用于采集肿瘤信息的数据采集模块;用于对肿瘤原始数据进行缺失值处理和归一化处理的数据预处理模块;用于对肿瘤数据进行深度学习和预测建模的数据学习预测模块;用于将数据学习预测模块输出的相对风险进行显示的预测结果显示模块;本发明利用高斯受限玻尔兹曼机,保留数据的非线性特征;根据输入数据的维度、输出分类的数量、模型的准确度,可以灵活扩展深度置信网络;模型训练过程中,不采用任何限制和假设,可以充分挖掘变量对结果的影响方式以及变量之间的相互作用,全面展现不同因素对肿瘤预后影响的方式,并提高肿瘤预后预测的准确性。
Description
技术领域
本发明涉及肿瘤预测系统,尤其涉及一种基于深度置信网络的肿瘤预后预测系统
背景技术
癌症的发病率和死亡率高,已经成为人类因疾病死亡的主要原因。随着人口数量的增长和人口老龄化的发展,癌症带来的疾病负担正在进一步加大,成为目前医疗费用支付的一大部分。肿瘤预后预测分析可以给临床医生提供用于疾病治疗的预后信息,帮助治疗方案的制定,提高疾病治愈率,改善患者预后生活质量,有效降低疾病负担,对于癌症的控制和治疗意义重大。美国癌症联合会推出的基于肿瘤浸润深度、淋巴结、远处转移的TNM分期系统在世界范围内的癌症临床实践中,得到了广泛应用,是指导治疗和临床研究的重要工具。但是,许多最新的研究发现,TNM分期不能对不同肿瘤特征的患者的生存结局差异进行区分。神经网络以其可以充分逼近任意复杂的非线性关系、学习和自适应未知和不确定的系统、具有鲁棒性和容错性、能同时处理定量和定性数据、并能大规模并行分布处理的优点,在肿瘤预后预测分析中得到广泛应用。
肿瘤预后数据中普遍存在截尾数据,截尾数据并非缺失数据,而是仅能提供起点到截尾时间的预后信息,不能提供起点到事件发生的完整信息的不完整数据。现有的基于神经网络的肿瘤预后预测分析方法,或不能充分利用截尾数据;或在充分利用截尾数据的情况下,不能有效解决预后因素的时间依赖和非线性问题;或得到的生存曲线不呈单调性;或所构建的神经网络不具有可扩展性,不利于海量数据的大规模处理。
深度学习是当前机器学习研究的热门领域,因其具有自主特征学习能力和高准确性被应用于许多领域,包括语音识别、图像处理、自然语言处理和人物画像等,但目前深度学习还很少应用到肿瘤预后预测分析领域。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于深度置信网络的肿瘤预后预测系统,利用深度学习领域的深度置信网络算法,改进基于神经网络的预测分析方法,在充分利用截尾数据的情况下,有效解决预后因素的时间依赖和非线性问题,提高肿瘤预后预测的准确性,辅助医生制定患者的治疗计划;构建的深度置信网络具有良好的可扩展性,利于海量数据的大规模处理。
本发明的目的是通过以下技术方案来实现的:一种基于深度置信网络的肿瘤预后预测系统,该系统包括:用于采集肿瘤信息的数据采集模块;用于对肿瘤原始数据进行缺失值处理和归一化处理的数据预处理模块;用于对肿瘤数据进行深度学习和预测建模的数据学习预测模块;用于将数据学习预测模块输出的相对风险进行显示的预测结果显示模块;所述数据学习预测模块的处理过程包括两部分:首先基于深度学习的无监督训练方法,利用患者特征对相似患者进行聚类,其次利用相似患者群体,计算累积风险函数,具体步骤如下:
(1)利用深度置信网络模型对相似患者聚类
(1.1)假设患者数量为n,患者特征数量为m,可见层变量为vi,i=1,…,m,隐藏层变量为hj,j=1,…,g,其中m是可见层变量的数量,g是隐藏层变量的数量;wij是可见层变量vi和隐藏层变量hj之间的连接权重,则可见层与隐藏层之间的连接权重矩阵W=(wij)m×g;可见层变量的偏置a=(a1,…,am),隐藏层变量的偏置b=(1,…,bg)。
(1.2)构建高斯RBM模型:因为患者的特征数据往往是一些连续型变量或者有序变量,而不是简单的二分类数据,因此,采用高斯RBM模型代替简单的RBM模型,从而保留数据的非线性特征。高斯RBM模型的能量函数E(v,h;θ)为:
其中,θ=(a,b,W,σ)表示模型的设置参数,σ=(σ1,…,σm)表示可见层变量的高斯噪音。高斯RBM的条件分布为:
其中,N(μ,σ2)表示均值为μ,标准差为σ的高斯分布。可见层v的边缘分布为:
其中,θ=(a,b,W,σ)表示模型的设置参数。利用梯度下降法调整参数,使输入与输出的误差最小,通过满足下式,得到模型的最佳参数:
其中,Z(θ)是归一化常数。
(1.3)在训练时,深度置信网络采用逐层无监督的方法来学习参数。首先把可见层v和隐藏层h1作为一个受限玻尔兹曼机RBM,训练出这个RBM的参数W1;接着,保持W1不变,把h1作为一个可见层,把h2作为隐藏层,训练出第二个RBM的参数W2;然后,保持W2不变,把h2作为一个可见层,把h3作为隐藏层,训练出第三个RBM的参数W3;以此类推,训练出复杂的由多层RBM堆叠的深度置信网络。训练过程中,不限制变量之间的相互作用和变量对分类结果的影响形式。
(1.4)因为隐藏层变量的值是二值型数据,我们可以利用最顶层的所有隐藏层变量的取值来确定患者所属的一个分类;如果最顶层有n个隐藏层变量,则患者被分成了2n类。
(1.5)增加患者数量,不需要改变网络设置;增加患者特征,在网络中增加可见层变量的数量;调整患者分类数量,在网络中修改最顶层隐藏层的变量数量;调整模型的准确度,可以改变隐藏层的层数。
(2)利用相似患者群体,计算累积风险函数:患者i有m个输入特征,记为Xi,在步骤1中患者i得到唯一的类别c,c∈P;P为利用深度置信网络模型对相似患者聚类得到的所有类别集合;在时间t,患者i的累积风险函数H(t|Xi)就是c类别的Nelson–Aalen估计值:
其中,dl,c表示在时间tl,c,c类别中患者的死亡人数;rl,c表示在时间tl,c,c类别中患者的存在风险的人数;t1,c<t2,c<…<tN(c),c表示c类别中N(c)个不同的事件时间;
(T1,c,s1,c),…,(Tn(c),c,sn(c),c)表示c类别中所有患者的生存时间和生存状态,n(c)表示c类患者的总数量;对一个患者i,如果si,c=0,那么该患者在时间Ti,c属于截尾数据(存活或失访);如果si,c=1,则该患者在时间Ti,c出现结果事件(死亡);患者i在时间tl,c的生存状态其中I()为指示函数,当Ti,c<tl,c时,当Ti,c≥tl,c时,则在时间tl,c,c类别中存在风险的人数rl,c=rl-1,c-dl-1,c,死亡人数其中r0,c=n(c),d0,c=0。
本发明的有益效果是:
1)利用高斯受限玻尔兹曼机,保留数据的非线性特征;
2)根据输入数据的维度、输出分类的数量、模型的准确度,可以灵活扩展深度置信网络;
3)模型训练过程中,不采用任何限制和假设,可以充分挖掘变量对结果的影响方式以及变量之间的相互作用,全面展现不同因素对肿瘤预后影响的方式,并提高肿瘤预后预测的准确性;
4)在利用深度置信网络对患者聚类的基础上,基于事件保留原则,采用Nelson–Aalen估计函数计算患者的累积风险函数,保证输出生存曲线呈现单调性。
附图说明
图1为本发明基于深度置信网络的肿瘤预后预测系统框架图;
图2为基于深度置信网络的肿瘤预后分析算法流程图;
图3为深度置信网络模型。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明中的截尾数据为:如果在规定的结束时间,没有出现结果事件的数据称之为截尾数据,从起点到截尾的时间称为截尾时间。时间依赖现象为:不论基线风险如何,在任何时间点上,存在某一暴露的个体相对不存在该暴露的个体发生事件的风险是恒定的;预后因素不符合上述假设的现象,就被认为预后因素对肿瘤预后的影响存在时间依赖。
如图1所示,本发明提供的一种基于深度置信网络的肿瘤预后预测系统,包括:用于采集肿瘤信息的数据采集模块;用于对肿瘤原始数据进行缺失值处理和归一化处理的数据预处理模块;用于对肿瘤数据进行深度学习和预测建模的数据学习预测模块;用于将数据学习预测模块输出的相对风险进行显示的预测结果显示模块;所述数据学习预测模块的处理过程包括两部分:首先基于深度学习的无监督训练方法,利用患者特征对相似患者进行聚类,其次利用相似患者群体,计算累积风险函数,如图2所示,具体步骤如下:
(1)利用深度置信网络模型对相似患者聚类,深度置信网络模型如图3所示;
(1.1)假设患者数量为n,患者特征数量为m,可见层变量为vi,i=1,…,m,隐藏层变量为hj,j=1,…,g,其中m是可见层变量的数量,g是隐藏层变量的数量;wij是可见层变量vi和隐藏层变量hj之间的连接权重,则可见层与隐藏层之间的连接权重矩阵W=(wij)m×g;可见层变量的偏置a=(a1,…,am),隐藏层变量的偏置b=(b1,…,bg)。
(1.2)构建高斯RBM模型:因为患者的特征数据往往是一些连续型变量或者有序变量,而不是简单的二分类数据,因此,采用高斯RBM模型代替简单的RBM模型,从而保留数据的非线性特征。高斯RBM模型的能量函数E(v,h;θ)为:
其中,θ=(a,b,W,σ)表示模型的设置参数,σ=(σ1,…,σm)表示可见层变量的高斯噪音。高斯RBM的条件分布为:
其中,N(μ,σ2)表示均值为μ,标准差为σ的高斯分布。可见层v的边缘分布为:
其中,θ=(a,b,W,σ)表示模型的设置参数。利用梯度下降法调整参数,使输入与输出的误差最小,通过满足下式,得到模型的最佳参数:
其中,Z(θ)是归一化常数。
(1.3)在训练时,深度置信网络采用逐层无监督的方法来学习参数。首先把可见层v和隐藏层h1作为一个受限玻尔兹曼机RBM,训练出这个RBM的参数W1;接着,保持W1不变,把h1作为一个可见层,把h2作为隐藏层,训练出第二个RBM的参数W2;然后,保持W2不变,把h2作为一个可见层,把h3作为隐藏层,训练出第三个RBM的参数W3;以此类推,训练出复杂的由多层RBM堆叠的深度置信网络。训练过程中,不限制变量之间的相互作用和变量对分类结果的影响形式。
(1.4)因为隐藏层变量的值是二值型数据,我们可以利用最顶层的所有隐藏层变量的取值来确定患者所属的一个分类;如果最顶层有n个隐藏层变量,则患者被分成了2n类。
(1.5)增加患者数量,不需要改变网络设置;增加患者特征,在网络中增加可见层变量的数量;调整患者分类数量,在网络中修改最顶层隐藏层的变量数量;调整模型的准确度,可以改变隐藏层的层数。
(2)利用相似患者群体,计算累积风险函数:患者i有m个输入特征,记为Xi,在步骤1中患者i得到唯一的类别c,c∈P;P为利用深度置信网络模型对相似患者聚类得到的所有类别集合;在时间t,患者i的累积风险函数H(t|Xi)就是c类别的Nelson–Aalen估计值:
其中,dl,c表示在时间tl,c,c类别中患者的死亡人数;rl,c表示在时间tl,c,c类别中患者的存在风险的人数;t1,c<t2,c<…<tN(c),c表示c类别中N(c)个不同的事件时间;
(T1,c,s1,c),…,(Tn(c),c,sn(c),c)表示c类别中所有患者的生存时间和生存状态,n(c)表示c类患者的总数量;对一个患者i,如果si,c=0,那么该患者在时间Ti,c属于截尾数据(存活或失访);如果si,c=1,则该患者在时间Ti,c出现结果事件(死亡);患者i在时间tl,c的生存状态其中I()为指示函数,当Ti,c<tl,c时,当Ti,c≥tl,c时,则在时间tl,c,c类别中存在风险的人数rl,c=rl-1,c-dl-1,c,死亡人数其中r0,c=n(c),d0,c=0。患者i的死亡率用死亡率,可画出生存曲线。
本发明利用深度学习领域的深度置信网络算法,改进基于神经网络的预测分析方法,在充分利用截尾数据的情况下,有效解决预后因素的时间依赖和非线性问题,提高肿瘤预后预测的准确性,辅助医生制定患者的治疗计划;同时保证得到的生存曲线呈现单调性,构建的深度置信网络具有良好的可扩展性,利于海量数据的大规模处理。
Claims (1)
1.一种基于深度置信网络的肿瘤预后预测系统,其特征在于,该系统包括:用于采集肿瘤信息的数据采集模块;用于对肿瘤原始数据进行缺失值处理和归一化处理的数据预处理模块;用于对肿瘤数据进行深度学习和预测建模的数据学习预测模块;用于将数据学习预测模块输出的相对风险进行显示的预测结果显示模块;所述数据学习预测模块的处理过程包括两部分:首先基于深度学习的无监督训练方法,利用患者特征对相似患者进行聚类,其次利用相似患者群体,计算累积风险函数,具体步骤如下:
(1)利用深度置信网络模型对相似患者聚类
(1.1)假设患者数量为N,患者特征数量为M,可见层变量为vi,i=1,...,m,隐藏层变量为hj,j=1,...,g,其中m是可见层变量的数量,g是隐藏层变量的数量,可见层变量的数量m等于患者特征数量M;wij是可见层变量vi和隐藏层变量hj之间的连接权重,则可见层与隐藏层之间的连接权重矩阵W=(wij)m×g;可见层变量的偏置为ai,i=1,...,m,可见层变量的偏置向量记为a=(a1,...,am),隐藏层变量的偏置为bj,j=1,...,g,隐藏层变量的偏置向量记为b=(b1,...,bg);
(1.2)构建高斯RBM模型:因为患者的特征数据往往是一些连续型变量或者有序变量,而不是简单的二分类数据,因此,采用高斯RBM模型代替简单的RBM模型,从而保留数据的非线性特征;高斯RBM模型的能量函数E(v,h;θ)为:
其中,θ=(a,b,W,σ)表示模型的设置参数,σ=(σ1,...,σm)表示可见层变量的高斯噪音;高斯RBM的条件分布为:
其中,N(μ,p2)表示均值为μ,标准差为p的高斯分布;可见层v的边缘分布为:
其中,θ=(a,b,W,σ)表示模型的设置参数;利用梯度下降法调整参数,使输入与输出的误差最小,通过满足下式,得到模型的最佳参数:
其中,Z(θ)是归一化常数;
(1.3)在训练时,深度置信网络采用逐层无监督的方法来学习参数;首先把可见层v和隐藏层h1作为一个受限玻尔兹曼机RBM,训练出这个RBM的参数W1;接着,保持W1不变,把h1作为一个可见层,把h2作为隐藏层,训练出第二个RBM的参数W2;然后,保持W2不变,把h2作为一个可见层,把h3作为隐藏层,训练出第三个RBM的参数W3;以此类推,训练出复杂的由多层RBM堆叠的深度置信网络;训练过程中,不限制变量之间的相互作用和变量对分类结果的影响形式;
(1.4)因为隐藏层变量的值是二值型数据,利用最顶层的所有隐藏层变量的取值来确定患者所属的一个分类;如果最顶层有n个隐藏层变量,则患者被分成了2n类;
(1.5)增加患者数量,不需要改变网络设置;增加患者特征,在网络中增加可见层变量的数量;调整患者分类数量,在网络中修改最顶层隐藏层的变量数量;调整模型的准确度,可以改变隐藏层的层数;
(2)利用相似患者群体,计算累积风险函数:患者i有m个输入特征,记为Xi,在步骤1中患者i得到唯一的类别c,c∈P;P为利用深度置信网络模型对相似患者聚类得到的所有类别集合;在时间t,患者i的累积风险函数H(t|Xi)就是c类别的Nelson-Aalen估计值:
其中,dl,c表示在时间tl,c,c类别中患者的死亡人数;rl,c表示在时间tl,c,c类别中患者的存在风险的人数;t1,c<t2,c<…<tN(c),c表示c类别中N(c)个不同的事件时间;
(T1,c,s1,c),...,(Tn(c),c,sn(c),c)表示c类别中所有患者的生存时间和生存状态,n(c)表示c类患者的总数量;对一个患者i,如果si,c=0,那么该患者在时间Ti,c属于截尾数据;如果si,c=1,则该患者在时间Ti,c出现结果事件;记c类别中患者i在时间tl,c的生存状态为则其中I()为指示函数,当Ti,c<tl,c时,当Ti,c≥tl,c时,则在时间tl,c,c类别中存在风险的人数rl,c=rl-1,c-dl-1,c,死亡人数其中r0,c=n(c),d0,c=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710007736.5A CN106897545B (zh) | 2017-01-05 | 2017-01-05 | 一种基于深度置信网络的肿瘤预后预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710007736.5A CN106897545B (zh) | 2017-01-05 | 2017-01-05 | 一种基于深度置信网络的肿瘤预后预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897545A CN106897545A (zh) | 2017-06-27 |
CN106897545B true CN106897545B (zh) | 2019-04-30 |
Family
ID=59198346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710007736.5A Active CN106897545B (zh) | 2017-01-05 | 2017-01-05 | 一种基于深度置信网络的肿瘤预后预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897545B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111184948A (zh) * | 2020-01-09 | 2020-05-22 | 北京理工大学 | 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491638A (zh) * | 2017-07-28 | 2017-12-19 | 深圳和而泰智能控制股份有限公司 | 一种基于深度学习模型的icu用户病情预测方法及终端设备 |
CN108428478B (zh) * | 2018-02-27 | 2022-03-29 | 东北师范大学 | 基于异质医疗数据挖掘的甲状腺癌风险预测方法 |
CN108959841A (zh) * | 2018-04-16 | 2018-12-07 | 华南农业大学 | 一种基于dbn算法的药物靶向蛋白作用预测方法 |
CN109326353B (zh) * | 2018-10-29 | 2020-11-27 | 南京医基云医疗数据研究院有限公司 | 预测疾病终点事件的方法、装置及电子设备 |
JP7059162B2 (ja) | 2018-10-29 | 2022-04-25 | 株式会社日立製作所 | 分析装置、分析方法、および分析プログラム |
CN110348241B (zh) * | 2019-07-12 | 2021-08-03 | 之江实验室 | 一种数据共享策略下的多中心协同预后预测系统 |
CN111261299B (zh) | 2020-01-14 | 2022-02-22 | 之江实验室 | 基于多源迁移学习的多中心协同癌症预后预测系统 |
CN111640510A (zh) * | 2020-04-09 | 2020-09-08 | 之江实验室 | 一种基于深度半监督多任务学习生存分析的疾病预后预测系统 |
CN111612278A (zh) * | 2020-06-01 | 2020-09-01 | 戴松世 | 生命状态预测方法、装置、电子设备及存储介质 |
CN114171199A (zh) * | 2021-12-14 | 2022-03-11 | 中国科学院深圳先进技术研究院 | 脑恶性肿瘤患者生存预测方法、系统、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199972A (zh) * | 2013-09-22 | 2014-12-10 | 中科嘉速(北京)并行软件有限公司 | 一种基于深度学习的命名实体关系抽取与构建方法 |
CN104794546A (zh) * | 2015-04-29 | 2015-07-22 | 武汉大学 | 一种基于深度置信网络分类方法的风功率爬坡预测方法 |
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
US9846938B2 (en) * | 2015-06-01 | 2017-12-19 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
-
2017
- 2017-01-05 CN CN201710007736.5A patent/CN106897545B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199972A (zh) * | 2013-09-22 | 2014-12-10 | 中科嘉速(北京)并行软件有限公司 | 一种基于深度学习的命名实体关系抽取与构建方法 |
CN104794546A (zh) * | 2015-04-29 | 2015-07-22 | 武汉大学 | 一种基于深度置信网络分类方法的风功率爬坡预测方法 |
US9846938B2 (en) * | 2015-06-01 | 2017-12-19 | Virtual Radiologic Corporation | Medical evaluation machine learning workflows and processes |
CN105069825A (zh) * | 2015-08-14 | 2015-11-18 | 厦门大学 | 基于深度置信网络的图像超分辨率重建方法 |
Non-Patent Citations (5)
Title |
---|
Computer-aided classification of lung nodules on computed tomography images via deep learning technique;Kai-Lung Hua;《OncoTargets and Therapy》;20150804;正文2015-2022页 |
Unsupervised Deep Learning Applied to Breast Density Segmentation and Mammographic Risk Scoring;Michiel Kallenberg;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20160531;第35卷(第5期);正文1322-1331页 |
右删失数据风险函数直方图估计;乔舰;《统计与信息论坛》;20150131;第30卷(第1期);正文14-17页 |
基于高斯受限玻尔兹曼机的非线性过程故障检测;陈曦;《上海应用技术学院学报》;20150630;第15卷(第2期);正文139-143页 |
机器学习在肿瘤早期诊断与预后预测中的应用;施维;《医学信息学杂志》;20161125;第37卷(第11期);正文10-15页 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111184948A (zh) * | 2020-01-09 | 2020-05-22 | 北京理工大学 | 基于血管靶向光动力疗法的鲜红斑痣处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106897545A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897545B (zh) | 一种基于深度置信网络的肿瘤预后预测系统 | |
CN107622104B (zh) | 一种文字图像识别标注方法及系统 | |
CN104866829B (zh) | 一种基于特征学习的跨年龄人脸验证方法 | |
CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
CN106529503B (zh) | 一种集成卷积神经网络人脸情感识别方法 | |
CN104462184B (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
CN110533024B (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
CN109191471A (zh) | 基于改进U-Net网络的胰腺细胞图像分割方法 | |
CN107680600A (zh) | 声纹模型训练方法、语音识别方法、装置、设备及介质 | |
CN105701504B (zh) | 用于零样本学习的多模态流形嵌入方法 | |
CN106970981B (zh) | 一种基于转移矩阵构建关系抽取模型的方法 | |
CN108960043A (zh) | 一种用于电子相册管理的人物家庭关系构建方法 | |
CN103366182B (zh) | 基于全监督非负矩阵分解的人脸识别方法 | |
CN114625879A (zh) | 基于自适应变分编码器的短文本聚类方法 | |
CN108256630A (zh) | 一种基于低维流形正则化神经网络的过拟合解决方法 | |
CN106250918B (zh) | 一种基于改进的推土距离的混合高斯模型匹配方法 | |
CN106204749A (zh) | 稀疏低秩特征表达的三维模型共分割方法 | |
Somervuo | Time–frequency warping of spectrograms applied to bird sound analyses | |
CN110287326A (zh) | 一种带背景描述的企业情感分析方法 | |
CN110503148A (zh) | 一种具有尺度不变性的点云对象识别方法 | |
CN108629019B (zh) | 一种面向问答领域含有人名的问句相似度计算方法 | |
CN109948662A (zh) | 一种基于K-means和MMD的人脸图像深度聚类方法 | |
CN109947960A (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 | |
CN116662834B (zh) | 基于样本风格特征的模糊超平面聚类方法及装置 | |
Gao et al. | Chinese fingerspelling sign language recognition using a nine-layer convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |