CN110070128A - 一种基于随机森林模型的慢性肝病风险评估系统 - Google Patents

一种基于随机森林模型的慢性肝病风险评估系统 Download PDF

Info

Publication number
CN110070128A
CN110070128A CN201910325379.6A CN201910325379A CN110070128A CN 110070128 A CN110070128 A CN 110070128A CN 201910325379 A CN201910325379 A CN 201910325379A CN 110070128 A CN110070128 A CN 110070128A
Authority
CN
China
Prior art keywords
random forest
forest model
test sample
sample
probability
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
Application number
CN201910325379.6A
Other languages
English (en)
Inventor
贾伟
谢国祥
卫润民
王京晔
陈天璐
梁丹丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Piyun Biotechnology Co Ltd
Original Assignee
Shenzhen Piyun Biotechnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Piyun Biotechnology Co Ltd filed Critical Shenzhen Piyun Biotechnology Co Ltd
Priority to CN201910325379.6A priority Critical patent/CN110070128A/zh
Publication of CN110070128A publication Critical patent/CN110070128A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开一种基于随机森林模型的慢性肝病风险评估系统，由任务输入模块、数据处理模块和输出结果模块组成，数据处理模块包括随机森林模型模块和数据库，任务输入模块、随机森林模型模块、输出结果模块依次连接，数据库与随机森林模型模块相连，随机森林模型模块包括第一随机森林模型、第二随机森林模型和第三随机森林模型，第一随机森林模型用于预测测试样本患慢性肝病的概率，第二随机森林模型用于预测测试样本患肝硬化与肝纤维化的概率，第三随机森林模型用于预测测试样本肝纤维化所处分期。本发明旨在实现通过六项指标预测目标患者患慢性肝病、肝纤维化和肝硬化的风险概率，以及预测患者肝纤维化所处分期，为临床医生的诊断及治疗提供依据。

Description

一种基于随机森林模型的慢性肝病风险评估系统
技术领域
本发明涉及慢性肝病风险测试领域，具体涉及一种基于随机森林模型的慢性肝病风险评估系统。
背景技术
慢性肝病包括多种类型其中最常见的是肝纤维化及肝硬化。肝纤维化是指各种致病因子导致肝内结缔组织增生，如果致病因素不能移除，肝纤维化会进展为肝硬化。肝硬化是指一种或多种致病因子导致肝内持续性肝损坏，病理变化包括肝细胞大面积死亡、残存肝细胞结节状增生及假小叶的形成。临床上肝硬化早期无明显表现，中晚期可表现为腹水、肝癌、上消化道出血、肝性脑病等症状，严重影响患者生活质量。 临床上对于肝纤维化及肝硬化的诊断主要是通过B超、CT的临床影像学检查及肝穿刺活检等病理学检查。
近些年，各种疾病数据库出现及海量的疾病样本信息的收录，通过这些海量的信息，选用合适的疾病诊断模型构建的方法，对于这些很难通过常规检测手段诊断的疾病的诊断提供了可能。
发明内容
本发明的目的在于克服现有诊断技术的不足，提供一种基于随机森林模型的慢性肝病风险评估系统，旨在实现通过六项指标预测目标患者患慢性肝病、肝纤维化和肝硬化的风险概率，以及预测患者患有轻度肝纤维化和重度肝纤维化的风险概率，为临床医生的诊断及治疗提供依据。
本发明的技术方案如下：一种基于随机森林模型的慢性肝病风险评估系统，该系统是由任务输入模块、数据处理模块和输出结果模块三部分组成，所述数据处理模块包括随机森林模型模块和数据库，所述任务输入模块、随机森林模型模块、输出结果模块依次连接，所述数据库与随机森林模型模块相连，所述随机森林模型模块包括第一随机森林模型、第二随机森林模型和第三随机森林模型，所述第一随机森林模型用于预测测试样本患慢性肝病的概率，第二随机森林模型用于预测测试样本患肝硬化与肝纤维化的概率，第三随机森林模型用于预测测试样本肝纤维化所处分期，所述任务输入模块用于输入测试样本基础信息，所述测试样本基本信息依次通过所述第一随机森林模型、第二随机森林模型和第三随机森林模型测试后，最后通过所述输出结果模块呈现预测结果；所述第一随机森林模型、第二随机森林模型、第三随机森林模型的构建是基于一种有监督学习算法，通过在数据库中提取多个参考样本，每个参考样本中含有多个特征，采用随机有放回的选择参考样本来构造三种分类器，通过各个分类器最后组合学习形成所述第一随机森林模型、第二随机森林模型和第三随机森林模型。
在上述技术方案，所述分类器的构建过程，包括有三个训练集和决策树，参考样本分别进入到三个训练集中，通过决策树分别输出待检样本结果，再经过待检样本结果投票后得出待检样本最终结果，根据所得出的待检样本最终结果生成三种分类器。
在上述技术方案，该慢性肝病风险评估系统采用分层诊断；当所述第一随机森林模型所预测测试样本患慢性肝病的概率大于正常概率时，进一步进入到所述第二随机森林模型进行测试，所述输出结果模块包含有预测测试样本患慢性肝病的概率以及测试样本患肝硬化与肝纤维化的概率；当所述第二随机森林模型所预测测试样本中患肝纤维化的概率大于患肝硬化的概率，进一步进入到所述第三随机森林模型进行测试，所述输出结果模块包括有预测测试样本患肝硬化与患肝纤维化的概率，以及所处肝纤维化分期的概率。
在上述技术方案，所述慢性肝病、肝硬化、肝纤维化、纤维化所处分期的概率结果均以饼图的形式输出。
在上述技术方案，可通过所述输出结果模块查询所测试样本的信息及结果的历史记录。
在上述技术方案，所述任务输入模块通过相应界面输入单个测试样本信息，也可通过excel表格导入多个测试样本信息，进行多个样本预测。
在上述技术方案，所述测试样本基础信息包括样本编号、样本姓名、样本年龄、血清天冬氨酸氨基转移酶含量、血清丙氨酸氨基转移酶含量、血小板计数、血清L-酪氨酸含量和血清牛磺胆酸含量八项基本信息。
在上述技术方案，所述任务输入模块仅适用于患者年龄大于18岁的测试样本。
相对于现有技术，本发明的有益效果在于：1、本发明通过六项常用的临床指标，预测测试样本患慢性肝病、肝纤维化和肝硬化的风险概率，以及预测患者患有轻度肝纤维化和重度肝纤维化的风险概率，为临床医生的诊断及治疗提供依据；2、采用服务器-浏览器模式，网页界面友好，操作简单，实现了一键式快速分析；3、采用自建数据库构建预测模型，该数据库样本量庞大且信息完备，所构建的预测模型预测性能准确、可靠；4、可批量、快速预测大量样本并输出结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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为本发明的系统框图；
图2为本发明的模型构造框图；
图3为本发明的分类器构造框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例
请参阅图1，本发明提供一种基于随机森林模型的慢性肝病风险评估系统，该系统是由任务输入模块、数据处理模块和输出结果模块三部分组成，数据处理模块包括随机森林模型模块和数据库，任务输入模块、随机森林模型模块、输出结果模块依次连接，数据库与随机森林模型模块相连。
进一步地，所述随机森林模型模块包括第一随机森林模型、第二随机森林模型和第三随机森林模型，第一随机森林模型用于预测测试样本患慢性肝病的概率，第二随机森林模型用于预测测试样本患肝硬化与肝纤维化的概率，第三随机森林模型用于预测测试样本肝纤维化所处分期（轻度肝纤维化和重度肝纤维化），工作原理：通过任务输入模块输入测试样本基础信息，测试样本基本信息依次通过第一随机森林模型、第二随机森林模型和第三随机森林模型测试后，最后通过输出结果模块呈现预测结果，所述慢性肝病、肝硬化、肝纤维化、纤维化所处分期的概率结果均以饼图的形式输出，从而可以直观的看到受试者的健康状况。
所述测试样本基础信息包括样本编号、样本姓名、样本年龄、血清天冬氨酸氨基转移酶含量、血清丙氨酸氨基转移酶含量、血小板计数、血清L-酪氨酸含量和血清牛磺胆酸含量八项基本信息。仅适用于患者年龄大于18岁的测试样本。
所述任务输入模块通过相应界面输入单个测试样本信息，也可通过excel表格导入多个测试样本信息，进行多个样本预测。可通过输出结果模块查询所测试样本的信息及结果的历史记录。
本实施例，采用服务器-浏览器模式，网页界面友好，操作简单，实现了一键式快速分析。
具体的模型构造方式，请参阅图2，第一随机森林模型、第二随机森林模型、第三随机森林模型的构建是基于一种有监督学习算法，通过在数据库中提取多个参考样本，每个参考样本中含有多个特征，采用随机有放回的选择参考样本来构造三种分类器，通过各个分类器最后组合学习形成所述第一随机森林模型、第二随机森林模型和第三随机森林模型。
具体地，请参阅图3，所述分类器的构建过程，包括有三个训练集和决策树，参考样本分别进入到三个训练集中，通过决策树分别输出待检样本结果，再经过待检样本结果投票后得出待检样本最终结果，根据所得出的待检样本最终结果生成三种分类器。
所述数据库是自建的数据库，采用自建数据库构建预测模型，该数据库样本量庞大且信息完备，所构建的预测模型预测性能准确、可靠。
该慢性肝病风险评估系统采用分层诊断：当第一随机森林模型所预测测试样本患慢性肝病的概率大于正常概率时，进一步进入到第二随机森林模型进行测试，输出结果模块包含有预测测试样本患慢性肝病的概率以及测试样本患肝硬化与肝纤维化的概率；当第二随机森林模型所预测测试样本中患肝纤维化的概率大于患肝硬化的概率，进一步进入到第三随机森林模型进行测试，输出结果模块包括有预测测试样本患肝硬化与患肝纤维化的概率，以及所处肝纤维化分期的概率。
综上所述，本发明通过年龄、血清天冬氨酸氨基转移酶含量、血清丙氨酸氨基转移酶含量、血小板计数、血清L-酪氨酸含量和血清牛磺胆酸含量这六项常用的临床指标，预测测试样本患慢性肝病、肝纤维化和肝硬化的风险概率，以及预测患者患有轻度肝纤维化和重度肝纤维化的风险概率，为临床医生的诊断及治疗提供依据。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：该系统是由任务输入模块、数据处理模块和输出结果模块三部分组成，所述数据处理模块包括随机森林模型模块和数据库，所述任务输入模块、随机森林模型模块、输出结果模块依次连接，所述数据库与随机森林模型模块相连，所述随机森林模型模块包括第一随机森林模型、第二随机森林模型和第三随机森林模型，所述第一随机森林模型用于预测测试样本患慢性肝病的概率，第二随机森林模型用于预测测试样本患肝硬化与肝纤维化的概率，第三随机森林模型用于预测测试样本肝纤维化所处分期，所述任务输入模块用于输入测试样本基础信息，所述测试样本基本信息依次通过所述第一随机森林模型、第二随机森林模型和第三随机森林模型测试后，最后通过所述输出结果模块呈现预测结果；
所述第一随机森林模型、第二随机森林模型、第三随机森林模型的构建是基于一种有监督学习算法，通过在数据库中提取多个参考样本，每个参考样本中含有多个特征，采用随机有放回的选择参考样本来构造三种分类器，通过各个分类器最后组合学习形成所述第一随机森林模型、第二随机森林模型和第三随机森林模型。
2.根据权利要求1所述的一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：所述分类器的构建过程，包括有三个训练集和决策树，参考样本分别进入到三个训练集中，通过决策树分别输出待检样本结果，再经过待检样本结果投票后得出待检样本最终结果，根据所得出的待检样本最终结果生成三种分类器。
3.根据权利要求1所述的一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：该慢性肝病风险评估系统采用分层诊断；
当所述第一随机森林模型所预测测试样本患慢性肝病的概率大于正常概率时，进一步进入到所述第二随机森林模型进行测试，所述输出结果模块包含有预测测试样本患慢性肝病的概率以及测试样本患肝硬化与肝纤维化的概率；
当所述第二随机森林模型所预测测试样本中患肝纤维化的概率大于患肝硬化的概率，进一步进入到所述第三随机森林模型进行测试，所述输出结果模块包括有预测测试样本患肝硬化与患肝纤维化的概率，以及所处肝纤维化分期的概率。
4.根据权利要求3所述的一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：所述慢性肝病、肝硬化、肝纤维化、纤维化所处分期的概率结果均以饼图的形式输出。
5.根据权利要求4所述的一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：可通过所述输出结果模块查询所测试样本的信息及结果的历史记录。
6.根据权利要求1所述的一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：所述任务输入模块通过相应界面输入单个测试样本信息，也可通过excel表格导入多个测试样本信息，进行多个样本预测。
7.根据权利要求1或6所述的一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：所述测试样本基础信息包括样本编号、样本姓名、样本年龄、血清天冬氨酸氨基转移酶含量、血清丙氨酸氨基转移酶含量、血小板计数、血清L-酪氨酸含量和血清牛磺胆酸含量八项基本信息。
8.根据权利要求7所述的一种基于随机森林模型的慢性肝病风险评估系统，其特征在于：所述任务输入模块仅适用于患者年龄大于18岁的测试样本。
CN201910325379.6A 2019-04-22 2019-04-22 一种基于随机森林模型的慢性肝病风险评估系统 Pending CN110070128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910325379.6A CN110070128A (zh) 2019-04-22 2019-04-22 一种基于随机森林模型的慢性肝病风险评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910325379.6A CN110070128A (zh) 2019-04-22 2019-04-22 一种基于随机森林模型的慢性肝病风险评估系统

Publications (1)

Publication Number Publication Date
CN110070128A true CN110070128A (zh) 2019-07-30

Family

ID=67368453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910325379.6A Pending CN110070128A (zh) 2019-04-22 2019-04-22 一种基于随机森林模型的慢性肝病风险评估系统

Country Status (1)

Country Link
CN (1) CN110070128A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111631188A (zh) * 2019-03-01 2020-09-08 广西中医药大学 单一因素快速诱导酒精性脂肪肝模型的方法
CN112133390A (zh) * 2020-09-17 2020-12-25 吾征智能技术(北京)有限公司 一种基于电子病历的肝病认知系统
CN113939236A (zh) * 2019-09-02 2022-01-14 深圳迈瑞生物医疗电子股份有限公司 一种超声成像设备及其超声回波信号的处理方法
CN114443506A (zh) * 2022-04-07 2022-05-06 浙江大学 一种用于测试人工智能模型的方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120321174A1 (en) * 2011-06-15 2012-12-20 Siemens Aktiengesellschaft Image Processing Using Random Forest Classifiers
CN108504739A (zh) * 2018-05-15 2018-09-07 浙江大学 一种用于肝癌早期诊断的生物标志物及其应用
WO2018166113A1 (zh) * 2017-03-13 2018-09-20 平安科技（深圳）有限公司 随机森林模型训练的方法、电子装置及存储介质
CN109359669A (zh) * 2018-09-10 2019-02-19 平安科技（深圳）有限公司 医保报销异常检测方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120321174A1 (en) * 2011-06-15 2012-12-20 Siemens Aktiengesellschaft Image Processing Using Random Forest Classifiers
WO2018166113A1 (zh) * 2017-03-13 2018-09-20 平安科技（深圳）有限公司 随机森林模型训练的方法、电子装置及存储介质
CN108504739A (zh) * 2018-05-15 2018-09-07 浙江大学 一种用于肝癌早期诊断的生物标志物及其应用
CN109359669A (zh) * 2018-09-10 2019-02-19 平安科技（深圳）有限公司 医保报销异常检测方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡加欣 等: ""基于随机森林的慢性丙型肝炎纤维化和活动度分析"", 《中国生物医学工程学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111631188A (zh) * 2019-03-01 2020-09-08 广西中医药大学 单一因素快速诱导酒精性脂肪肝模型的方法
CN111631188B (zh) * 2019-03-01 2022-04-22 广西中医药大学 单一因素快速诱导酒精性脂肪肝模型的方法
CN113939236A (zh) * 2019-09-02 2022-01-14 深圳迈瑞生物医疗电子股份有限公司 一种超声成像设备及其超声回波信号的处理方法
CN112133390A (zh) * 2020-09-17 2020-12-25 吾征智能技术(北京)有限公司 一种基于电子病历的肝病认知系统
CN112133390B (zh) * 2020-09-17 2024-03-22 吾征智能技术(北京)有限公司 一种基于电子病历的肝病认知系统
CN114443506A (zh) * 2022-04-07 2022-05-06 浙江大学 一种用于测试人工智能模型的方法及装置
CN114443506B (zh) * 2022-04-07 2022-06-10 浙江大学 一种用于测试人工智能模型的方法及装置

Similar Documents

Publication Publication Date Title
CN110070128A (zh) 一种基于随机森林模型的慢性肝病风险评估系统
Hunter et al. Definition of osteoarthritis on MRI: results of a Delphi exercise
CN103959060B (zh) 心血管危险事件预测及其用途
CN103517668B (zh) 基于新的详细分类来评估肝纤维化的存在或严重度的无创性方法
CN110991536B (zh) 原发性肝癌的早期预警模型的训练方法
Knottnerus et al. General introduction: evaluation of diagnostic procedures
CN105705652A (zh) 协助鉴别诊断中风的方法
US20130197811A1 (en) Method for Diagnosis of an Infectious Disease Stage and Determination of Treatment
CN115099331A (zh) 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统
Wang et al. Prediction of thrombophilia in patients with unexplained recurrent pregnancy loss using a statistical model
CN113128654B (zh) 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
CN110148471A (zh) 肝胆肿瘤患者生存率预测数据收集系统及模型构建方法
CN110265139A (zh) 肝纤维化评估模型、肝纤维化评估系统及其评估方法
CN110070942A (zh) 一种基于梯度提升树模型的慢性肝病风险评估系统
Li et al. Development and validation of a routine blood parameters-based model for screening the occurrence of retinal detachment in high myopia in the context of PPPM
CN108588218A (zh) 一种血清miRNA组合的微创检测试剂盒
Meng et al. Prediction of coronary heart disease using routine blood tests
CN116685852A (zh) 使用参数检测医疗状况、严重性、风险和敏度
US20200251214A1 (en) Liver Fibrosis Assessment Model, Liver Fibrosis Assessment System And Liver Fibrosis Assessment Method
Fernandez-Quilez et al. Prostate Age Gap (PAG): An MRI surrogate marker of aging for prostate cancer detection
CN112216386A (zh) 用于预测结直肠癌患者发生隐匿性肝转移的风险度的方法
Liu et al. Gut microbiome-based machine learning for diagnostic prediction of liver fibrosis and cirrhosis: a systematic review and meta-analysis
Wu et al. Applying data mining for prostate cancer
CN110954701A (zh) 一种肝纤维化或肝硬化的诊断试剂盒
CN103336127A (zh) 一种早期肝病、肝纤维化和肝硬化指示剂与诊断剂

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190730

WD01 Invention patent application deemed withdrawn after publication