CN108492884A - 基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 - Google Patents
基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 Download PDFInfo
- Publication number
- CN108492884A CN108492884A CN201810130270.2A CN201810130270A CN108492884A CN 108492884 A CN108492884 A CN 108492884A CN 201810130270 A CN201810130270 A CN 201810130270A CN 108492884 A CN108492884 A CN 108492884A
- Authority
- CN
- China
- Prior art keywords
- lymphatic metastasis
- points
- score
- neuroendocrine tumors
- pancreatic neuroendocrine
- 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.)
- Withdrawn
Links
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
基于Logistic回归模型的用于胰腺神经内分泌肿瘤淋巴结转移预测系统,包括存储器和信息处理模块、预测结果显示器,其中,所述信息处理模块配置用于执行以下计算,并将计算结果与,所述的存储器预存的胰腺神经内分泌肿瘤淋巴结转移预测指标进行比较,向预测结果显示器输出预测结果:(I)根据以下关系计算各风险因子的分数:(II)对步骤(I)所获得的全部分数求和,计算得到总体分数Z;(III)根据以下关系计算患者淋巴结转移可能性。
Description
技术领域
本发明涉及一种基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统。
背景技术
胰腺神经内分泌肿瘤是最常见的神经内分泌肿瘤,但仅占原发性胰腺肿瘤的1%-2%。虽然罕见,但其发病率近40年来显著上升。胰腺神经内分泌肿瘤生物学特征异质性很大,虽然大部分为中度恶性,其中也不乏良性和极端恶性肿瘤。因此,及时预测患者的预后尤为重要。目前临床主要运用TNM分期对胰腺神经内分泌肿瘤进行预后评估。TNM分期主要考察胰腺肿瘤的大小、浸润深度、淋巴结转移和远端转移情况,但由于胰腺神经内分泌肿瘤极少浸润腹腔和肠系膜大血管,其中的III分期对胰腺神经内分泌肿瘤并不适用。且TNM分期也并未纳入患者的年龄、婚姻状况、肿瘤位置、分化情况等预后影响因素。
胰腺神经内分泌肿瘤发生淋巴结转移提示预后不良。预测肿瘤的淋巴结转移情况也可间接提示患者的预后情况。但由于胰腺的解剖位置深在,且毗邻重要脏器和血管,若术前进行胰腺活检可能导致胰漏或出血等并发症,因此目前主要通过术中活检来获得胰腺肿瘤的淋巴结转移情况,由此极大地限制了治疗决策。
近年来随着大数据的蓬勃发展,各种生物信息技术也应运而生,因此使得术前根据疾病变量预测淋巴结转移成为可能。但目前尚未建立基于临床特征的胰腺神经内分泌肿瘤的淋巴结转移预测系统。
发明内容
本发明要克服现有技术上的缺点,提供一种基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统。
本发明根据对胰腺神经内分泌肿瘤数据进行特征筛选,对筛选出的多个特征进行Logistic回归,建立胰腺神经内分泌肿瘤淋巴结转移预测系统,实现对胰腺神经内分泌肿瘤淋巴结转移精准预测,用于评估患者的淋巴结转移情况,为临床决策提供支持。
本发明通过系统考察影响胰腺神经内分泌肿瘤淋巴结转移的临床病理特点,评价影响胰腺神经内分泌肿瘤淋巴结转移的关键因素,建立用于胰腺神经内分泌肿瘤患者淋巴结转移的可视化列线图,用于评估患者的淋巴结转移可能性,筛选出高危人群进行干预,提高患者的生存预后。
基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统,包括存储器和信息处理模块、预测结果显示器,其中,所述信息处理模块配置用于执行以下计算,并将计算结果与,所述的存储器预存的胰腺神经内分泌肿瘤淋巴结转移预测指标进行比较,向预测结果显示器输出预测结果:
(I)根据以下关系计算各风险因子的分数:
(1)年龄分数:
年龄X小于等于50岁,分数为28;
年龄X在51岁至60岁之间,分数为26;
年龄X在61岁至70岁之间,分数为11;
年龄X大于70,分数为0;
(2)肿瘤分化程度:
I,12分;
II,0分;
III,32分;
IV,57分;
(3)肿瘤T分期:
T1,0分;
T2,58分;
T3,100分;
T4,89分;
(4)肿瘤原发灶位置:
胰头,25分;
胰体,7分;
胰尾,0分;
胰腺内多原发位置,14分;
胰腺其他位置,16分。
(5)婚姻状态:
已婚,15分;
其他,0分;
(II)对步骤(I)所获得的全部分数求和,计算得到总体分数Z;
(III)根据以下关系计算患者淋巴结转移可能性:
总体分数Z≤70,则淋巴结转移可能性≤10%;
70<总体分数Z<220分,则淋巴结转移可能性=Z/1.875-27.333;
总体分数≥220,则淋巴结转移可能性≥90%;
本发明系统还包括一个胰腺神经内分泌肿瘤淋巴结转移预测指标构建模块,胰腺神经内分泌肿瘤淋巴结转移预测指标构建模块包括:
数据收集子模块:在SEER数据库中,通过Perl程序抓取得到胰腺神经内分泌肿瘤数据,对胰腺神经内分泌肿瘤数据进行筛选,并对筛选结果进行下载和提取;
数据预处理子模块:与所述数据收集子模块相连,用于对高通量数据进行预处理,包括缺失删除,使用特征二值化进行标准化处理,使用Excel表进行数据汇总;得到预处理后数据;
数据转换子模块:与所述筛选子模块相连,用于对胰腺神经内分泌肿瘤数据集进行,随机分配,形成训练数据集和内部验证数据集;
特征筛选子模块:对训练数据集进行特征筛选,选出使预测准确度达到最高的最少特征的集合,即用于模型构建的特征集合;所述特征筛选为:使用Logistic回归模型,通过向前引入的逐步回归法,筛选出赤池信息量准则(AIC)最小的特征组合,并在此基础上,尝试增加或剔除特征,以得到预测准确度达到最高的最少特征的集合,即用于胰腺神经内分泌肿瘤淋巴结转移预测指标建立的特征集合;淋巴结转移相关因素判定标准为:转移组与未转移组的临床特征淋巴结转移相关性的P值<0.05的因素;
指标建立子模块:使用所述特征集合和训练数据集,采用Logistic回归模型,使用R程序构建胰腺癌神经内分泌肿瘤淋巴结转移预测指标。
SEER(Surveillance,Epidemiology,and End Results database)数据源是美国国立癌症研究所建立的大型肿瘤登记注册数据库,收集了大量循证医学的相关数据。官网网址如下:https://seer.cancer.gov/。
本发明所用的样本数据为年龄范围在18岁以上的样本数据;本发明所用的样本数据胰腺神经内分泌肿瘤作为原发肿瘤存在的样本数据;
移组与未转移组的临床特征淋巴结转移相关性的P值<0.05的因素,例如可以是0.04、0.03、0.02、0.01或0.005以及上述数值之间及更低的具体点值,限于篇幅及出于简明的考虑,本发明不再穷尽列举所述范围包括的具体点值。
本发明有益效果是:通过系统考察影响胰腺神经内分泌肿瘤淋巴结转移的临床病理特点,评价影响胰腺神经内分泌肿瘤淋巴结转移的关键因素,建立用于胰腺神经内分泌肿瘤淋巴结转移的可视化列线图,用于评估患者的淋巴结转移可能性,筛选出高危人群进行干预,提高患者的生存预后。
附图说明
图1:根据胰腺神经内分泌肿瘤淋巴结转移和临床特征建立的可视化列线图。
图2:SEER数据库胰腺神经内分泌肿瘤测试集受试者特性曲线图ROC。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
一种基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统。
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结果。本文中,“系统”指载有本文所述信息(例如下文所述的列线图)或执行本文所述功能以获得本文所述分数和淋巴结转移可能性信息的制品。
因此,作为一个例子,系统可以是其上设置有列线图的印刷品,例如卡片。本文中,“卡片”通常指片状的制品,其材质可以是纸质或塑料或其它材料。卡片的厚度不限,但从方便使用的角度考虑,卡片不宜太厚。例如,卡片可以是常规的打印用纸张,或者为塑料薄片,其厚度可以是例如1mm到1cm或更薄。可用常规的印刷技术将列线图印刷到卡片(例如纸张上),以不易涂抹、洗脱为宜。列线图通常至少包括与分数行并排的风险因子行,和与总体分数行并排的淋巴结转移可能性行。
其中,分数行与风险因子行的排列满足以下关系:
(1)年龄分数:
年龄X小于等于50岁,分数为28;
年龄X在51岁至60岁之间,分数为26;
年龄X在61岁至70岁之间,分数为11;
年龄X大于70,分数为0;
(2)肿瘤分化程度:
I,12分;
II,0分;
III,32分;
IV,57分;
(3)肿瘤T分期:
T1,0分;
T2,58分;
T3,100分;
T4,89分;
(4)肿瘤原发灶位置:
胰头,25分;
胰体,7分;
胰尾,0分;
胰腺内多原发位置,14分;
胰腺其他位置,16分。
(5)婚姻状态:
已婚,15分;
其他,0分;
其中,淋巴结转移可能性行与总体分数行之间的排列满足以下关系:
总体分数Z≤70,则淋巴结转移可能性≤10%;
70<总体分数Z<220分,则淋巴结转移可能性=Z/1.875-27.333;
总体分数≥220,则淋巴结转移可能性≥90%;
列线图中,分数行中分数的范围通常为0-100分,总体分数行的分数范围通常为0-240分。
图1显示了本发明列线图的一个具体实施例。如图1所示,列线图包括并排的分数行、患者年龄行、肿瘤分化程度行、肿瘤T分期行、婚姻状态行、肿瘤原发灶位置行、总体分数行、淋巴结转移可能性行,其中,与分数行并排的患者年龄行、肿瘤分化程度行、肿瘤T分期行、婚姻状态行、肿瘤原发灶位置行以满足前文所述的对应关系的方式并排,而与总体分数行并排的淋巴结转移可能性行则以满足前文所述的对应关系的方式并排。使用该列线图时,可按照患者年龄、肿瘤的分化程度、肿瘤T分期、肿瘤原发灶位置及婚姻状态等相关指标所对应的风险分数,计算各项风险因子分数之和,然后对照着总体分数行,按照总体分数向下画垂直线即可得到患者淋巴结转移的可能性。淋巴结转移可能性越高,则预后越差。
由于风险因子患者年龄、肿瘤的分化程度、肿瘤T分期、肿瘤原发灶位置及婚姻状态的每一种检测/检查结果都仅对应一个确定的分数,因此,如前文所述,列线图中可不包括患者年龄行、肿瘤分化程度行、肿瘤T分期行、婚姻状态行、肿瘤原发灶位置行,或仅包括其中的一种或数种。对于列线图中不包括的行,可以其它合适的方式提供在印刷品如卡片上,例如以文字描述的方式提供,或者不提供在印刷品如卡片上,但提供在例如使用手册上,以使使用者能够容易地知晓该风险因子的每一种检测/检查结果所对应的分数。
优选的实施例中,前文所述各项风险因子及其对应的分数都提供到同一张印刷品(如同一张卡片)上,不论以图表的方式还是以文字描述的方式。因此,在某些优选的实施例中,本发明的卡片上印刷有图1所示的列线图。但是,应理解的是,例如,总体分数行和淋巴结转移可能性行可提供在不同的印刷品(如卡片)上。因此,在本文中,“印刷品”和“卡片”本身可以是一张,也可以是两张或多张。
应理解,印刷品(如卡片)的尺寸应足以使得使用者能清晰辨认列线图中的各文字和数值。当印刷品(如卡片)上印刷有图1所示的列线图时,列线图的大小可根据卡片的尺寸等比例放大或缩小。
此外,应理解的是,列线图中的相应文字,可以图1所示的方式呈现,也可以本领域周知的具有相同含义的方式呈现。例如,可以不同的语言(中文、英文、日文等)形式提供。
系统也可以是一种信息处理设备,包括例如存储器和处理器,其中,所述处理器配所述信息处理设备还可包括本领域周知的其它部件,包括但不限于输入装置、显示装置、识别装置等。
载体还可以是其它合适的制品形式,例如,可以是除卡片以外的其它各种形式的印刷品,只要其能允许本领域技术人员根据本文所述方法容易地计算患者各风险因子的分数以及淋巴结转移可能性即可。在某些实施方案中,载体不包括所述信息处理设备。
实施例1
本实施例提供了基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统的一种技术方案,本实施例提供的系统可以由系统装置来执行,该装置集成在一台计算机设备中,所述方法具体包括以下步骤:
数据收集
选择数据源:选用SEER(Surveillance,Epidemiology,and End Resultsdatabase)数据库作为数据源。1545例胰腺神经内分泌肿瘤患者符合入组标准成为本文构建预后预测系统的数据集。
基本信息收集
针对入组的每个患者,发明人利用SEER数据库收集并整理其基本特征信息。临床诊断信息来自患者的疾病诊断纪录和临床检测、病理检测纪录。随访信息包括患者转移、复发、死亡等。
胰腺神经内分泌肿瘤临床分期系统
针对每个胰腺神经内分泌肿瘤患者,发明人选取SEER数据库中第6版AJCC-TNM分期的信息,对其临床分期进行了定性。
统计建立系统和验证方法
主要考察的胰腺神经内分泌肿瘤患者的指标为淋巴结转移情况,定义为患者TNM分期证实为N1。首先利用卡方检验考察患者临床病理特征和淋巴结转移之间的关系,并利用Logistic回归模型考察影响患者淋巴结转移的独立风险因素。
基于Logistic回归模型结果,发明人利用逐步回归模型选择了用于预后预测的最佳统计模型,并利用Akaike information criterion(AIC)参数考察了模型的效能。进一步利用ROC受试者特性曲线图计算曲线下面积AUC,考察了该模型在淋巴结转移预测中的准确性,并利用10次自举抽样法对模型进行模拟验证。
研究数据结果
训练集发现显著影响胰腺神经内分泌肿瘤患者预后的关键因素
利用SEER数据集样本,发明人通过统计分析发现患者年龄、肿瘤分化程度、肿瘤T分期、肿瘤原发灶位置及婚姻状态和患者淋巴结转移显著相关(表1)。
表1
表1:多因素Logistic回归模型发现患者年龄、肿瘤分化程度、肿瘤T分期、肿瘤原发灶位置及婚姻状态是影响胰腺神经内分泌肿瘤患者预后的独立因素。
通过统计模型计算,本发明人利用上述风险因素构建了影响胰腺神经内分泌肿瘤患者的列线图模型(图1)。该列表的使用方法为:第一行为不同风险因子在不同分组时的分数,按照患年龄、肿瘤分化程度、肿瘤T分期、肿瘤原发灶位置及婚姻状态等相关指标所对应的风险分数之和对应着总体分数行,按照总体风险分数向下画垂直线即可得到淋巴结转移可能性值。
本发明验证了该淋巴结转移预测系统在训练集中的预测准确性,发现预测和观察到的胰腺神经内分泌肿瘤患者的淋巴结转移情况比较一致,预测准确率为0.646。ROC受试者特性曲线图曲线下面积为0.770。
总结:综上所述,本发明利用训练集设计一套对胰腺神经内分泌肿瘤淋巴结转移进行预测的模型用于患者淋巴结转移可能性预测,该风险预测系统相对于传统术后分期系统能够提供更多治疗决策的可能性,具有临床应用价值。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求书决定。
Claims (2)
1.基于Logistic回归模型的用于胰腺神经内分泌肿瘤淋巴结转移预测系统,包括存储器和信息处理模块、预测结果显示器,其中,所述信息处理模块执行以下计算,并将计算结果与所述的存储器预存的胰腺神经内分泌肿瘤淋巴结转移预测指标进行比较,向预测结果显示器输出预测结果:
(I)根据以下关系计算各风险因子的分数:
(1)年龄分数:
年龄X小于等于50岁,分数为28;
年龄X在51岁至60岁之间,分数为26;
年龄X在61岁至70岁之间,分数为11;
年龄X大于70,分数为0;
(2)肿瘤分化程度:
I,12分;
II,0分;
III,32分;
IV,57分;
(3)肿瘤T分期:
T1,0分;
T2,58分;
T3,100分;
T4,89分;
(4)肿瘤原发灶位置:
胰头,25分;
胰体,7分;
胰尾,0分;
胰腺内多原发位置,14分;
胰腺其他位置,16分。
(5)婚姻状态:
已婚,15分;
其他,0分;
(II)对步骤(I)所获得的全部分数求和,计算得到总体分数Z;
(III)根据以下关系计算患者淋巴结转移可能性:
总体分数Z≤70,则淋巴结转移可能性≤10%;
70<总体分数Z<220分,则淋巴结转移可能性=Z/1.875-27.333;
总体分数≥220,则淋巴结转移可能性≥90%。
2.如权利要求1所述的Logistic回归模型的用于胰腺神经内分泌肿瘤淋巴结转移预测系统,其特征在于:还包括一个胰腺神经内分泌肿瘤淋巴结转移预测指标构建模块,胰腺神经内分泌肿瘤淋巴结转移预测指标构建模块包括:
数据收集子模块:在SEER数据库中,通过Perl程序抓取得到胰腺神经内分泌肿瘤数据,对胰腺神经内分泌肿瘤数据进行筛选,并对筛选结果进行下载和提取;
数据预处理子模块:与所述数据收集子模块相连,用于对高通量数据进行预处理,包括缺失删除,使用特征二值化进行标准化处理,使用Excel表进行数据汇总;得到预处理后数据;
数据转换子模块:与所述筛选子模块相连,用于对胰腺神经内分泌肿瘤数据集进行,随机分配,形成训练数据集和内部验证数据集;
特征筛选子模块:对训练数据集进行特征筛选,选出使预测准确度达到最高的最少特征的集合,即用于模型构建的特征集合;所述特征筛选为:使用Logistic回归模型,通过向前引入的逐步回归法,筛选出赤池信息量准则(AIC)最小的特征组合,并在此基础上,尝试增加或剔除特征,以得到预测准确度达到最高的最少特征的集合,即用于胰腺神经内分泌肿瘤淋巴结转移预测指标建立的特征集合;淋巴结转移相关因素判定标准为:转移组与未转移组的临床特征淋巴结转移相关性的P值<0.05的因素;
指标建立子模块:使用所述特征集合和训练数据集,采用Logistic回归模型,使用R程序构建胰腺癌神经内分泌肿瘤淋巴结转移预测指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130270.2A CN108492884A (zh) | 2018-02-08 | 2018-02-08 | 基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810130270.2A CN108492884A (zh) | 2018-02-08 | 2018-02-08 | 基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108492884A true CN108492884A (zh) | 2018-09-04 |
Family
ID=63339995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810130270.2A Withdrawn CN108492884A (zh) | 2018-02-08 | 2018-02-08 | 基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492884A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462899A (zh) * | 2020-04-07 | 2020-07-28 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于氧化应激指标计算双相障碍发病风险概率的方法 |
CN112420200A (zh) * | 2020-10-27 | 2021-02-26 | 上海交通大学医学院附属瑞金医院 | 一种胰腺导管内乳头状黏液肿瘤早期恶变预测系统 |
CN115116625A (zh) * | 2022-06-30 | 2022-09-27 | 苏州大学 | 胰腺癌淋巴结转移分期预测方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007037421A (ja) * | 2005-08-01 | 2007-02-15 | Osaka Univ | 大腸癌リンパ節転移の有無を予測するための遺伝子セット |
CN102968558A (zh) * | 2012-11-14 | 2013-03-13 | 叶定伟 | 一种预测初诊前列腺癌骨转移风险的装置 |
CN103547683A (zh) * | 2012-03-22 | 2014-01-29 | 耶鲁大学 | Kras突变和肿瘤生物学 |
CN106055898A (zh) * | 2016-05-27 | 2016-10-26 | 石河子大学 | 胃癌患者的预后方法 |
WO2017083675A1 (en) * | 2015-11-13 | 2017-05-18 | Biotheranostics, Inc. | Integration of tumor characteristics with breast cancer index |
-
2018
- 2018-02-08 CN CN201810130270.2A patent/CN108492884A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007037421A (ja) * | 2005-08-01 | 2007-02-15 | Osaka Univ | 大腸癌リンパ節転移の有無を予測するための遺伝子セット |
CN103547683A (zh) * | 2012-03-22 | 2014-01-29 | 耶鲁大学 | Kras突变和肿瘤生物学 |
CN102968558A (zh) * | 2012-11-14 | 2013-03-13 | 叶定伟 | 一种预测初诊前列腺癌骨转移风险的装置 |
WO2017083675A1 (en) * | 2015-11-13 | 2017-05-18 | Biotheranostics, Inc. | Integration of tumor characteristics with breast cancer index |
CN106055898A (zh) * | 2016-05-27 | 2016-10-26 | 石河子大学 | 胃癌患者的预后方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462899A (zh) * | 2020-04-07 | 2020-07-28 | 上海市精神卫生中心(上海市心理咨询培训中心) | 基于氧化应激指标计算双相障碍发病风险概率的方法 |
CN112420200A (zh) * | 2020-10-27 | 2021-02-26 | 上海交通大学医学院附属瑞金医院 | 一种胰腺导管内乳头状黏液肿瘤早期恶变预测系统 |
CN115116625A (zh) * | 2022-06-30 | 2022-09-27 | 苏州大学 | 胰腺癌淋巴结转移分期预测方法、装置和存储介质 |
CN115116625B (zh) * | 2022-06-30 | 2024-07-12 | 苏州大学 | 胰腺癌淋巴结转移分期预测方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gould et al. | Machine learning for early lung cancer identification using routine clinical and laboratory data | |
Si et al. | Fully end-to-end deep-learning-based diagnosis of pancreatic tumors | |
Alagoz et al. | The University of Wisconsin breast cancer epidemiology simulation model: an update | |
Wolff et al. | Recommendations for human epidermal growth factor receptor 2 testing in breast cancer: American Society of Clinical Oncology/College of American Pathologists clinical practice guideline update | |
Pouliakis et al. | Artificial neural networks as decision support tools in cytopathology: past, present, and future | |
Zhang et al. | Identifying ultrasound and clinical features of breast cancer molecular subtypes by ensemble decision | |
CN108389624A (zh) | 基于cox比例风险模型的十二指肠腺癌预后预测系统 | |
JP6143743B2 (ja) | 細胞におけるバイオマーカーの発現のクラスターによる解析 | |
CN102209968B (zh) | 肺癌生物标记蛋白的捕获剂在制备试剂盒中的用途 | |
US7881873B2 (en) | Systems and methods for statistical genomic DNA based analysis and evaluation | |
Zhao et al. | Twenty-gene-based prognostic model predicts lung adenocarcinoma survival | |
CN107305596A (zh) | 肝门部胆管癌患者预后预测模型 | |
CN108492884A (zh) | 基于Logistic回归模型的胰腺神经内分泌肿瘤淋巴结转移预测系统 | |
Dodington et al. | Analysis of tumor nuclear features using artificial intelligence to predict response to neoadjuvant chemotherapy in high-risk breast cancer patients | |
Elkhader et al. | Artificial intelligence in oncology: From bench to clinic | |
CN109797221A (zh) | 一种用于对肌层浸润性膀胱癌进行分子分型和/或预后预测的生物标记物组合及其应用 | |
CN110916666B (zh) | 一种预测手术切除肝细胞癌复发的影像组学特征处理方法 | |
Bassi et al. | Role of radiomics in predicting lung cancer spread through air spaces in a heterogeneous dataset | |
CN107169264B (zh) | 一种复杂疾病诊断系统 | |
Mamun et al. | Recognition of human skin diseases using inception-v3 with transfer learning | |
Mathew et al. | A novel deep classifier framework for automated molecular subtyping of breast carcinoma using immunohistochemistry image analysis | |
CN113345592B (zh) | 一种急性髓细胞样白血病预后风险模型的构建及诊断设备 | |
CN110930402A (zh) | 一种基于子宫内膜癌的dki序列mk图的影像组学特征处理方法 | |
Chen et al. | The ultrasound-based radiomics-clinical machine learning model to predict papillary thyroid microcarcinoma in TI-RADS 3 nodules | |
Kusta et al. | Lost in digitization–A systematic review about the diagnostic test accuracy of digital pathology solutions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180904 |