CN109875522A - 一种预测前列腺穿刺与根治术后病理评分一致性的方法 - Google Patents
一种预测前列腺穿刺与根治术后病理评分一致性的方法 Download PDFInfo
- Publication number
- CN109875522A CN109875522A CN201910325342.3A CN201910325342A CN109875522A CN 109875522 A CN109875522 A CN 109875522A CN 201910325342 A CN201910325342 A CN 201910325342A CN 109875522 A CN109875522 A CN 109875522A
- Authority
- CN
- China
- Prior art keywords
- prostate
- neural network
- data
- training
- network model
- 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.)
- Granted
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医学领域,尤其涉及一种预测前列腺穿刺与根治术后病理评分一致性的方法。本发明公开了一种前列腺神经网络模型的构建方法,包括以下步骤:S1、建立数据集;S2、构建深度学习神经网络;S3、神经网络编译:S4、训练神经网络参数。利用该模型可以有效的预测前列腺穿刺与根治术后病理评分的一致性,从而协助医生选择更恰当的前列腺癌术前治疗方案,有效防止过度医疗或者低估病情的发生,提高患者的治疗效果。
Description
技术领域
本发明涉及医学领域,尤其涉及一种预测前列腺穿刺与根治术后病理评分一致性的方法。
背景技术
前列腺癌是全球最常见的恶性肿瘤之一,其发病率在美国常年保持第一位,在中国发病率也呈逐渐升高的趋势。目前前列腺癌的术前诊断主要依赖于前列腺穿刺(前列腺癌仍需要穿刺确诊),然而由于肿瘤的生物异质性,前列腺穿刺与前列腺癌根治术后的病理评分往往存在差异,出现上调或下调。前列腺穿刺的病理评分是决定前列腺癌患者的治疗方式的关键因素之一,然而现有的术前病理评分往往不准确,因此常常导致患者被过度治疗或者病情被低估导致病情加重,因此急需发明一种有效的术前病理评分方法。
发明内容
为了解决上述现有技术问题,本发明公开了一种能够有效预测前列腺穿刺与根治术后病理评分一致性的方法。
本发明的具体方案如下:
本发明第一个方面公开了一种预测前列腺穿刺和术后病理评分一致性的神经网络模型的构建方法,包括以下步骤:
S1、建立数据集:收集前列限临床样本数据,并随机将数据集分为训练组和测试组;所述训练组包括上调训练组和下调训练组,所述测试组分为上调测试组和下调测试组;
S2、构建深度学习神经网络:收集数据集分为训练样本和测试样本,采用多层神经网络实现二分类预测,所述神经网络中输入层为10个神经元,对应10个输入变量,隐含层为四个全连接层,每层为64个神经元,最后三层采用Dropout(0.3)策略;
四个全链接层把修正线性单元ReLU作为神经元的激活函数,输出层为2个神经元,激活函数为“Softmax”;所述Softmax函数将多个神经元输出,映射到(0,1)区间内;
其中,ReLU函数为:
,
如果输入大于0,输出保持不变,如果输入小于或等于0,输出为0;
Softmax函数表达式为:
(式中e指自然底数,i指第i个分类项,j是所有分类项的序号,∑是总和);
S3、神经网络编译:
神经网络编译中,损失函数采用分类交叉熵“categorical_crossentropy”,最优化方法为随机梯度下降法(Stochastic gradient descent,SGD),对每个训练样本进行参数更新,每次执行都进行一次更新;
S4、训练神经网络参数:
分别把上调训练组和下调训练组送入神经网络训练,训练组每批送入32个带标签的数据,计算交叉熵作为损失函数,调整模型参数,逐批送入训练数据进行模型训练即得到预测前列腺穿刺和术后病理评分一致性的神经网络模型。
优选的,在S3中,SDG参数为0.001,每次训练送入数据的量batch_size为32,重复次数epochs为5000,日志显示输出进度条记录verbose为1。
本发明第二个方面公开了上述的方法构建得到的前列腺神经网络模型。
本发明第三个方面公开了上述的前列腺神经网络模型在前列腺疾病治疗领域中的应用。
本发明第四个方面公开了一种评估前列腺神经网络模型准确性的方法,包括以下步骤:
根据深度学习神经网络输出的判别分类概率值,结合上调或下调的标签值导入到统计学分析软件,制作ROC曲线选项;绘制ROC曲线,计算曲线下面积AUC值;若AUC值>0.7,则说明前列腺神经网络模型准确性较优,若AUC值>0.9,则说明前列腺神经网络模型准确性高。
优选的,所述统计学分析软件为SPSS16软件。
应当理解,本发明中的统计学分析软件并不限于SPSS16软件,本领域技术人员可以选择任意合适的统计学分析软件以实现本发明的技术方案,并属于本发明的保护范围之内。
本发明第五个方面公开了一种利用上述的前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性的方法,包括:
(1)收集前列腺癌患者资料,其中前列腺根治术后病理比穿刺病理上调的有a例,前列腺穿刺与根治术后病理评分相符的有b例,病理评分下调的有c例;
(2)通过所述前列腺神经网络模式预测是否上调时,将下调数据和相符数据合并,即上调a例,不上调b+c例,两组数据中分别随机抽取70%数据为上调训练组和30%数据为上调测试组;
通过所述前列腺神经网络模式预测是否下调时,将上调数据和相符数据合并,下调数据c例,不下调a+b例,两组数据分别随机抽取70%数据为下调训练组和30%数据为下调测试组;
(3)采用前列腺神经网络模型进行计算,评估前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性。
应当理解,本发明不限于上述步骤,还可以包含其他的步骤,例如在步骤(1)之前、步骤(1)和(2)之间、步骤(2)和(3)之间、步骤(3)之后,还包含其他额外的步骤,而不超出本发明的保护范围。
优选的,在步骤(1)中,进行前列腺癌患者资料收集过程中的排除标准为:
1)患者的临床资料不全;2)术前行新辅助化疗或内分泌治疗;3)有TURP手术史。
优选的,收集的前列腺癌患者资料包括:患者病理确诊为前列腺癌时年龄、前列腺穿刺Gleason评分、术前最近一次tPSA(总前列腺特异性抗原)、PSAD(PSAD即前列腺特异性抗原密度,指单位体积内tPSA值,计算方法为tPSA值除以前列腺体积)、前列腺穿刺阳性针数、前列腺穿刺总针数、前列腺体积、患者BMI值、临床分期、前列腺穿刺阳性率(前列腺穿刺阳性针数除以前列腺穿刺总针数即得前列腺穿刺阳性率),共计10个变量。
本发明第六个方面公开了上述的方法在前列腺疾病临床指导中的应用。
在符合本领域常识的基础上,上述各优选条件,可任意组合,而不超出本发明的构思与保护范围。
本发明相对于现有技术具有如下的显著优点及效果:
本发明公开了一种前列腺神经网络模型,利用该模型可以有效的预测前列腺穿刺与根治术后病理评分的一致性,从而协助医生选择更恰当的前列腺癌术前治疗方案,有效防止过度医疗或者低估病情的发生,提高患者的治疗效果。
附图说明
图1为本发明实施例中深度学习神经网络结构图;
图2为本发明实施例中ReLU函数图;
图3为本发明实施例中下调模型训练集ROC曲线;
图4为本发明实施例中下调模型测试集ROC曲线;
图5为本发明实施例中上调模型训练集ROC曲线;
图6为本发明实施例中上调模型测试集ROC曲线。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行详细描述,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例公开了一种预测前列腺穿刺和术后病理评分一致性的神经网络模型的构建方法,包括以下步骤:
S1、建立数据集:收集数据集分为训练组和测试组;所述训练组包括上调训练组和下调训练组,所述测试组分为上调测试组和下调测试组;
S2、构建深度学习神经网络:收集数据集分为训练样本和测试样本,采用多层神经网络实现二分类预测,所述神经网络中输入层为10个神经元,对应10个输入变量,隐含层为四个全连接层,每层为64个神经元,最后三层采用Dropout(0.3)策略;
其中,深度学习神经网络如图1所示;
四个全链接层把修正线性单元ReLU作为神经元的激活函数,输出层为2个神经元,激活函数为“Softmax”;所述Softmax函数将多个神经元输出,映射到(0,1)区间内;
其中,ReLU函数如图2所示,如果输入大于0,输出保持不变,如果输入小于或等于0,输出为0;
Softmax函数表达式为:
(式中e指自然底数,i指第i个分类项,j是所有分类项的序号,∑是总和);
S3、神经网络编译:
神经网络编译中,损失函数采用分类交叉熵“categorical_crossentropy”,最优化方法为随机梯度下降法(Stochastic gradient descent,SGD),对每个训练样本进行参数更新,每次执行都进行一次更新;
S4、训练神经网络参数:
分别把上调训练组和下调训练组送入神经网络训练,训练组每批送入32个带标签的数据,计算交叉熵作为损失函数,调整模型参数,逐批送入训练数据进行模型训练即得到前列腺穿刺和术后病理评分一致性的预测神经网络模型。
在S3中,SDG参数为0.001,每次训练送入数据的量batch_size为32,重复次数epochs为5000,日志显示输出进度条记录verbose为1。
实施例2
本实施例公开了一种利用实施例1所述的的前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性的方法,包括:
(1)收集前列腺癌患者资料,其中前列腺根治术后病理比穿刺病理上调的有a例,前列腺穿刺与根治术后病理评分相符的有b例,病理评分下调的有c例;
(2)通过所述前列腺神经网络模式预测是否上调时,将下调数据和相符数据合并,即上调a例,不上调b+c例,两组数据中分别随机抽取70%数据为上调训练组和30%数据为上调测试组;
通过所述前列腺神经网络模式预测是否下调时,将上调数据和相符数据合并,下调数据c例,不下调a+b例,两组数据分别随机抽取70%数据为下调训练组和30%数据为下调测试组;
(3)采用前列腺神经网络模型进行计算,评估前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性。
在步骤(1)中,进行前列腺癌患者资料收集过程中的排除标准为:
1)患者的临床资料不全;2)术前行新辅助化疗或内分泌治疗;3)有TURP手术史。
收集的前列腺癌患者资料包括:患者病理确诊为前列腺癌时年龄、前列腺穿刺Gleason评分、术前最近一次tPSA、PSAD、前列腺穿刺阳性针数、前列腺穿刺总针数、前列腺体积、患者BMI值、临床分期、前列腺穿刺阳性率,共计10个变量。
实施例3
本实施例公开了一种评估实施例1所述的前列腺神经网络模型准确性的方法,包括以下步骤:
根据深度学习神经网络输出的判别分类概率值,结合上调或下调的标签值导入到统计学分析软件,制作ROC曲线选项;绘制ROC曲线,计算曲线下面积AUC值;若AUC值>0.7,则说明前列腺神经网络模型准确性较优,若AUC值>0.9,则说明前列腺神经网络模型准确性高。
具体的方法如下:
一、临床数据分析
本实施例收集的临床资料包括:前列腺癌时年龄、前列腺穿刺Gleason评分、术前最近一次tPSA、PSAD、前列腺穿刺阳性针数、前列腺穿刺总针数、前列腺体积、患者BMI值、临床分期、前列腺穿刺阳性率,共计10个变量。本研究的排除标准为:1)患者的临床资料不全;2)术前行新辅助化疗或内分泌治疗;3)有TURP手术史。
由此在2013年1月至2017年9月于某三甲医院行前列腺癌根治术的患者1636例中,我们排除了676例(41.3%)并纳入患者一共960例。所有纳入患者的基线数据由表1给出。
表1患者的基线数据
二、方法
第一步、数据集准备
在所有纳入的960例患者中,前列腺穿刺与根治术后病理评分相符的有510例(53.13%),不相符为450例(46.87%)。不相符病例中,病理评分上调患者一共277例(28.85%),下调患者173例(18.02%)。分别利用以上数据,通过深度学习神经网络训练模型,预测病理评分的上调或下调情况,以便更好的选择合适的治疗方案。1)预测是否上调时,下调数据和相符数据合并,因此上调277例,不上调510+173=683例,两组数据分别随机抽取70%数据为上调训练组和30%数据为上调测试组。2)预测下调时,上调数据和相符数据合并,下调数据173例,不下调510+277=787例,两组数据分别随机抽取70%数据为下调训练组和30%数据为下调测试组。
第二步:构建深度学习神经网络
以上网络中输入层为10个神经元,对应10个输入变量。隐含层为四个全连接层,每层为64个神经元,为了避免过拟合,最后三层采用Dropout(0.3)策略,四个全链接层把修正线性单元(Rectified linear unit,ReLU)作为神经元的激活函数,见图2,如果输入大于0,输出保持不变,如果输入小于或等于0,输出为0。
输出层为2个神经元,激活函数为“Softmax”。
Softmax函数它将多个神经元的输出,映射到(0,1)区间内,可以看成概率来理解,从而来进行多分类,表达式见公式1。softmax函数的作用,输出映射成为(0,1)的值,而这些值的累和为1(满足概率的性质),那么我们就可以将它理解成概率,在最后选取输出结点的时候,我们就可以选取概率最大(也就是值对应最大的)结点,作为我们的预测目标。
Softmax函数表达式为:
第三步:神经网络编译
深度神经网络编译时,损失函数采用分类交叉熵“categorical_crossentropy”,最优化方法为随机梯度下降法(Stochastic gradient descent,SGD),对每个训练样本进行参数更新,每次执行都进行一次更新,且执行速度更快,SDG参数为0.001。每次训练送入数据的量batch_size为32,重复次数epochs为5000,日志显示输出进度条记录verbose为1。
第四步:训练神经网络参数
分别把前列腺临床变量的上调训练组和下调训练组送入神经网络训练。训练组每批送入32个带标签的数据,计算交叉熵作为损失函数,调整模型参数。逐批送入训练数据进行模型训练。
第五步:利用模型预测测试数据
根据训练好的深度学习神经网络模型,分别预测病理评分上调测试组和下调测试组的数据。把预测结果与正确标签进行对比,判断该模型的泛化能力和准确度。
三、试验结果
下调数据分为训练集和测试集,同样,上调数据也分为训练集和测试集。各数据集经深度学习神经网络的训练和预测结果,结合对应的标签可以绘制四个ROC曲线,分别为下调训练数据集、下调测试数据集、上调训练数据集和上调测试数据集ROC。
根据深度学习神经网络输出的判别分类概率值,结合上调或下调的标签值导入到统计学分析软件。使用SPSS16软件的analyze分析功能中的制作ROC曲线选项,绘制ROC曲线,计算曲线下面积AUC的值。
1)预测前列腺病理评分下调模型
在训练集中的分类结果,ROC曲线见图3,从图3可以得出,下调训练集ROC曲线训练集AUC=0.964,该AUC值>0.9说明本发明公开的预测前列腺穿刺和术后病理评分一致性的神经网络模型准确性高。
在测试集中的分类结果,ROC曲线如图4,从图4可以得出,下调测试集ROC曲线训练集AUC=0.881,该AUC值>0.7说明本发明公开的预测前列腺穿刺和术后病理评分一致性的神经网络模型准确性较优。
2)预测前列腺病理评分上调模型
在训练集中的分类结果,ROC曲线见图5,上调训练集ROC曲线AUC=0.916,该AUC值>0.9说明本发明公开的预测前列腺穿刺和术后病理评分一致性的神经网络模型准确性高。在测试集中的分类结果,ROC曲线如图6,上调测试集ROC曲线中测试集中曲线下面积AUC=0.71,该AUC值>0.7说明本发明公开的预测前列腺穿刺和术后病理评分一致性的神经网络模型准确性较优。
通过以上训练集进行深度神经网络的参数调整,在训练集中达到了满意的结果(AUC约为0.9),在测试集中也达到了较为满意的分类效果,说明我们提供的这种方法具有一定的可行性。只要临床医生提供术前的10个检查结果,通过我们建立的模型就可以预测术后病理评分是相符、上调或下调,从而指导医生选择更恰当的前列腺癌术前治疗方案。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种预测前列腺穿刺和术后病理评分一致性的神经网络模型构建方法,其特征在于,包括以下步骤:
S1、建立数据集:收集前列腺临床样本数据,并随机将数据集分为训练组和测试组;所述训练组包括上调训练组和下调训练组,所述测试组分为上调测试组和下调测试组;
S2、构建深度学习神经网络:收集数据集分为训练样本和测试样本,采用多层神经网络实现二分类预测,所述神经网络中输入层为10个神经元,对应10个输入变量,隐含层为四个全连接层,每层为64个神经元,最后三层采用Dropout(0.3)策略;
四个全链接层把修正线性单元ReLU作为神经元的激活函数,输出层为2个神经元,激活函数为“Softmax”;所述Softmax函数将多个神经元输出,映射到(0,1)区间内;
其中,ReLU函数表达式为:
,
如果输入大于0,输出保持不变,如果输入小于或等于0,输出为0;
Softmax函数表达式为:
(式中e指自然底数,i指第i个分类项,j是所有分类项的序号,∑是总和);
S3、神经网络编译:
神经网络编译中,损失函数采用分类交叉熵,最优化方法为随机梯度下降法(SDG),对每个训练样本进行参数更新,每次执行都进行一次更新;
S4、训练神经网络参数:
分别把上调训练组和下调训练组送入神经网络训练,训练组每批送入32个带标签的数据,计算交叉熵作为损失函数,调整模型参数,逐批送入训练数据进行模型训练即得到前列腺穿刺和术后病理评分一致性的预测神经网络模型。
2.根据权利要求1所述的方法,其特征在于,在S3中,SDG参数为0.001,每次训练送入数据的量batch_size为32,重复次数epochs为5000,日志显示输出进度条记录verbose为1。
3.根据权利要求1-2所述的方法构建得到的前列腺神经网络模型。
4.根据权利要求3所述的前列腺神经网络模型在前列腺疾病治疗领域中的应用。
5.一种评估前列腺神经网络模型准确性的方法,其特性在于,包括以下步骤:
根据深度学习神经网络输出的判别分类概率值,结合上调或下调的标签值导入到统计学分析软件,制作ROC曲线选项;绘制ROC曲线,计算曲线下面积AUC值;若AUC值>0.7,则说明前列腺神经网络模型准确性较优,若AUC值>0.9,则说明前列腺神经网络模型准确性高。
6.根据权利要求5所述的方法,其特征在于,所述统计学分析软件为SPSS16软件。
7.一种利用权利要求3所述的前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性的方法,其特征在于,包括:
(1)收集前列腺癌患者资料,其中前列腺根治术后病理比穿刺病理上调的有a例,前列腺穿刺与根治术后病理评分相符的有b例,病理评分下调的有c例;
(2)通过所述前列腺神经网络模式预测是否上调时,将下调数据和相符数据合并,即上调a例,不上调b+c例,两组数据中分别随机抽取70%数据为上调训练组和30%数据为上调测试组;
通过所述前列腺神经网络模式预测是否下调时,将上调数据和相符数据合并,下调数据c例,不下调a+b例,两组数据分别随机抽取70%数据为下调训练组和30%数据为下调测试组;
(3)采用前列腺神经网络模型进行计算,评估前列腺神经网络模型预测前列腺穿刺与根治术后病理评分一致性。
8.根据权利要求7所述的方法,其特征在于,在步骤(1)中,进行前列腺癌患者资料收集过程中的排除标准为:
1)患者的临床资料不全;2)术前行新辅助化疗或内分泌治疗;3)有TURP手术史。
9.根据权利要求7所述的方法,其特征在于,收集的前列腺癌患者资料包括:患者病理确诊为前列腺癌时年龄、前列腺穿刺Gleason评分、术前最近一次tPSA、PSAD、前列腺穿刺阳性针数、前列腺穿刺总针数、前列腺体积、患者BMI值、临床分期、前列腺穿刺阳性率,共计10个变量。
10.根据权利要求7-9中任意一项所述的方法在前列腺疾病临床指导中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325342.3A CN109875522B (zh) | 2019-04-22 | 2019-04-22 | 一种预测前列腺穿刺与根治术后病理评分一致性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325342.3A CN109875522B (zh) | 2019-04-22 | 2019-04-22 | 一种预测前列腺穿刺与根治术后病理评分一致性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109875522A true CN109875522A (zh) | 2019-06-14 |
CN109875522B CN109875522B (zh) | 2022-06-24 |
Family
ID=66938100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325342.3A Active CN109875522B (zh) | 2019-04-22 | 2019-04-22 | 一种预测前列腺穿刺与根治术后病理评分一致性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109875522B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113707247A (zh) * | 2020-09-02 | 2021-11-26 | 成都域时信息科技有限公司 | 基于区块链的机器学习定量预测间充质干细胞疗法后软骨修复率的方法 |
US12056584B2 (en) * | 2020-11-16 | 2024-08-06 | International Business Machines Corporation | Online machine learning with immediate rewards when real rewards are delayed |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998039721A1 (en) * | 1997-03-07 | 1998-09-11 | University Of Florida | Method for diagnosing and staging prostate cancer |
WO2010053656A1 (en) * | 2008-11-07 | 2010-05-14 | Noffsinger Thomas H | System and method of diagnosis of bovine diseases using auscultation analysis |
US20150018664A1 (en) * | 2013-07-12 | 2015-01-15 | Francisco Pereira | Assessment of Traumatic Brain Injury |
CN104490364A (zh) * | 2014-12-30 | 2015-04-08 | 李俊 | 一种用于检测前列腺柔韧度的光纤手指及检测方法 |
CN105593902A (zh) * | 2013-09-30 | 2016-05-18 | 皇家飞利浦有限公司 | 用于自动可变形配准的方法和系统 |
US20160180735A1 (en) * | 2014-12-19 | 2016-06-23 | International Business Machines Corporation | Coaching a participant in a conversation |
CN107960990A (zh) * | 2018-01-11 | 2018-04-27 | 上海健康医学院 | 一种穿戴式心脑血管疾病智能监测系统及方法 |
CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN108727495A (zh) * | 2018-04-27 | 2018-11-02 | 上海长海医院 | 前列腺癌干细胞标志物、抗体ov6在制备前列腺癌干细胞标记材料中的应用及标记方法 |
CN108922602A (zh) * | 2018-05-28 | 2018-11-30 | 中山大学附属第六医院 | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
-
2019
- 2019-04-22 CN CN201910325342.3A patent/CN109875522B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998039721A1 (en) * | 1997-03-07 | 1998-09-11 | University Of Florida | Method for diagnosing and staging prostate cancer |
WO2010053656A1 (en) * | 2008-11-07 | 2010-05-14 | Noffsinger Thomas H | System and method of diagnosis of bovine diseases using auscultation analysis |
US20150018664A1 (en) * | 2013-07-12 | 2015-01-15 | Francisco Pereira | Assessment of Traumatic Brain Injury |
CN105593902A (zh) * | 2013-09-30 | 2016-05-18 | 皇家飞利浦有限公司 | 用于自动可变形配准的方法和系统 |
US20160180735A1 (en) * | 2014-12-19 | 2016-06-23 | International Business Machines Corporation | Coaching a participant in a conversation |
CN104490364A (zh) * | 2014-12-30 | 2015-04-08 | 李俊 | 一种用于检测前列腺柔韧度的光纤手指及检测方法 |
CN107960990A (zh) * | 2018-01-11 | 2018-04-27 | 上海健康医学院 | 一种穿戴式心脑血管疾病智能监测系统及方法 |
CN108305249A (zh) * | 2018-01-24 | 2018-07-20 | 福建师范大学 | 基于深度学习的全尺度病理切片的快速诊断和评分方法 |
CN108727495A (zh) * | 2018-04-27 | 2018-11-02 | 上海长海医院 | 前列腺癌干细胞标志物、抗体ov6在制备前列腺癌干细胞标记材料中的应用及标记方法 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN108922602A (zh) * | 2018-05-28 | 2018-11-30 | 中山大学附属第六医院 | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
Non-Patent Citations (4)
Title |
---|
ALLAHYAR, A AND DE RIDDER, J: "FERAL: network-based classifier with application to breast cancer outcome prediction", 《BIOINFORMATICS 》 * |
LI, WT; WANG 等: "High Accordance in Prognosis Prediction of Colorectal Cancer across Independent Datasets by Multi-Gene Module Expression Profiles", 《PLOS ONE》 * |
梁颖 等: "不同干预模式下孤独症谱系障碍儿童干预效果的比较", 《天津医药》 * |
许韬, 陈阳美: "阿尔茨海默病和癫痫:异常兴奋的神经网络和病理学表现", 《中华神经科杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113707247A (zh) * | 2020-09-02 | 2021-11-26 | 成都域时信息科技有限公司 | 基于区块链的机器学习定量预测间充质干细胞疗法后软骨修复率的方法 |
CN113707247B (zh) * | 2020-09-02 | 2023-09-22 | 上海深鱼赛跑科技有限公司 | 基于区块链的机器学习定量预测间充质干细胞疗法后软骨修复率的方法 |
US12056584B2 (en) * | 2020-11-16 | 2024-08-06 | International Business Machines Corporation | Online machine learning with immediate rewards when real rewards are delayed |
Also Published As
Publication number | Publication date |
---|---|
CN109875522B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hasan et al. | Machine learning-based diabetic retinopathy early detection and classification systems-a survey | |
ȚĂRANU | Data mining in healthcare: decision making and precision. | |
Tomatis et al. | Late rectal bleeding after 3D-CRT for prostate cancer: development of a neural-network-based predictive model | |
CN108694718A (zh) | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
CN103116707A (zh) | 一种基于案例推理的心脏病智能诊断方法 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
Taylor et al. | A model to detect heart disease using machine learning algorithm | |
CN108922602A (zh) | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
CN108962382B (zh) | 一种基于乳腺癌临床高维数据的分层重要特征选择方法 | |
CN109875522A (zh) | 一种预测前列腺穿刺与根治术后病理评分一致性的方法 | |
CN107066781A (zh) | 基于遗传和环境相关的结直肠癌数据模型的分析方法 | |
Gaikwad et al. | Effective study of machine learning algorithms for heart disease prediction | |
Huang et al. | A structure-related fine-grained deep learning system with diversity data for universal glaucoma visual field grading | |
CN110400610A (zh) | 基于多通道随机森林的小样本临床数据分类方法及系统 | |
Sivanagireddy et al. | Early lung cancer prediction using correlation and regression | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
Cao et al. | Automatic feature group combination selection method based on GA for the functional regions clustering in DBS | |
Sumalatha et al. | Survey on medical diagnosis using data mining techniques | |
TW202403781A (zh) | 用於預測未來肺癌風險的系統及方法 | |
Sinha et al. | Automated detection of coronary artery disease using machine learning algorithm | |
CN113393931A (zh) | 一种基于系统动力学的乳腺癌诊断与治疗方法 | |
Chakkouch et al. | A Comparative Study of Machine Learning Techniques to Predict Types of Breast Cancer Recurrence | |
Paliwal et al. | An efficient method for predicting heart disease problem using fitness value | |
Mulla et al. | A Review of Data Mining & Machine Learning approaches for identifying Risk Factor contributing to likelihood of cardiovascular diseases |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |