CN110706804B - 一种混合专家系统在肺腺癌分类中给的应用方法 - Google Patents
一种混合专家系统在肺腺癌分类中给的应用方法 Download PDFInfo
- Publication number
- CN110706804B CN110706804B CN201910782827.5A CN201910782827A CN110706804B CN 110706804 B CN110706804 B CN 110706804B CN 201910782827 A CN201910782827 A CN 201910782827A CN 110706804 B CN110706804 B CN 110706804B
- Authority
- CN
- China
- Prior art keywords
- model
- parameters
- hme
- algorithm
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 title claims abstract description 14
- 201000005249 lung adenocarcinoma Diseases 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000002790 cross-validation Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 8
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 abstract description 7
- 201000005202 lung cancer Diseases 0.000 abstract description 7
- 208000020816 lung neoplasm Diseases 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 27
- 238000002591 computed tomography Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 208000009956 adenocarcinoma Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000009458 Carcinoma in Situ Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 201000004933 in situ carcinoma Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种混合专家系统在肺腺癌分类中给的应用方法，包括以下步骤：步骤1：整理原始数据；步骤2：采用LASSO算法筛选有分类意义的特征数据；步骤3：将特征数据按照7:3的比例分为训练集和测试集；步骤4：在训练集中对ME或HME系统进行五折交叉验证得到所述ME或HME系统最优的模型；步骤5：在测试集中对所述ME或HME系统最优的模型进行测试。以提出一种对肺癌的类型有着更好的预测性能的混合专家系统。
Description
技术领域
本发明涉及计算机医疗技术领域，尤其涉及一种混合专家系统在肺腺癌分类中给的应用方法。
背景技术
肺癌是世界上发病率和死亡率最高的恶性肿瘤之一，它的早期精确诊断不仅能节约医疗资源，而且能极大地减轻病患痛苦。在肺癌的主要组织学类型中，腺癌逐渐成为死亡的主要原因。然而，从计算机断层扫描(CT)图像中，放射科医生很难区分三种主要亚型:浸润性腺癌(IAC)、原位癌(AIS)和微浸润性腺癌(MIA)。
一些单一统计模型和机器学习方法尝试着对肺腺癌亚型进行分类，比如支持向量机(SVM)和卷积神经网络(CNN)，但是没有取得很好的效果。为了提高单一模型的预测精度，本发明基于肺腺癌的CT图像和病人临床特征，利用最小绝对收缩和选择算法(LASSO)来筛选特征，再用小批量随机梯度下降(mini-batch-SGD)和RMSProp算法来训练混合专家系统(ME)和分层混合专家系统(HME)，并在其中加入正则项来辅助肺腺癌的诊断。
LASSO由Robert Tibshirani在1996年首次提出，它通过构造一个惩罚函数得到一个较为精炼的模型，使得它压缩一些回归系数，即强制系数绝对值之和小于某个固定值；同时设定一些回归系数为零。因此保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计。
混合专家系统利用分而治之的想法，将许多个简单的专家模型结合起来解决复杂的问题，其中每个专家模型在解决自己擅长的问题时会有更大的权重。其最早由
Michael I.Jordan等人在1991年提出。在混合专家系统的基础上，分层混合专家系统构造了一个多级的专家系统。最初，两个系统都通过最大似然和梯度上升的方法进行训练。直到1993年，这两个系统才开始采用期望极大(EM)算法求解，极大地提高了整个模型的收敛速度。
期望极大算法(EM)由Dempster等人总结提出，它是一种迭代算法，用于求解含有隐变量的概率模型参数的极大似然估计。它可以从非完整数据集中对参数进行估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理丢失数据，截尾数据和所谓的带噪声的不完全数据。EM算法的每次迭代由两步组成：E步：求期望；M步，求极大。
发明内容
本发明的目的在于提出一种对肺癌类型有着更好的预测性能的混合专家系统在肺腺癌分类中给的应用方法。
为达到上述目的，本发明提出一种混合专家系统在肺腺癌分类中给的应用方法，包括以下步骤：
步骤1：整理原始数据；
步骤2：采用LASSO算法筛选有分类意义的特征数据；
步骤3：将特征数据按照7:3的比例分为训练集和测试集；
步骤4：在训练集中对ME或HME系统进行五折交叉验证得到所述ME或HME系统最优的模型；
步骤5：在测试集中对所述ME或HME系统最优的模型进行测试。
优选的，在步骤1中，原始数据为影像特征和病人的临床特征。
优选的，在步骤2中，LASSO算法通过在广义线性模型后加上L1范数的正则项，将一些对预测没有显著作用的特征的系数变为0，从而达到特征筛选的作用。
优选的，在步骤4中，所述五折交叉验证为将训练集随机等分为五份，通过指定不同的超参数，用其中的四份来训练ME或HME系统，剩下的一份来验证不同超参数下的ME或HME系统；通过验证集来挑选出性能最优的超参数，从而建立最优的ME或HME系统模型。
优选的，在步骤5中，在测试集中对最优模型进行测试，并计算其AUC值，作为模型的真实预测性能。
优选的，所述ME和HME系统的算法流程为：
步骤a：输入LASSO算法筛选的有分类意义的特征数据；
步骤b：调整模型结构参数和模型参数初值；
步骤c：所述特征数据经过所述模型结构参数和模型参数初值处理生成当前参数；
步骤d：所述当前参数进入EM算法的E步，计算得到Q函数，在添加正则项参数之后，得到最终的目标优化函数值：J函数值。
步骤e：将所述J函数值判断是否手链，若收敛，则输出当前模型参数，若不收敛，进入EM算法的M步；
步骤f：EM算法的M步，将所述J函数值分别对所有参数求偏微分，然后用RMSProp算法更新J函数至新的参数，回到步骤C进行循环，直到步骤e判断为收敛后输出。
优选的，在步骤b中，所述模型结构参数包括：底层模型的个数，RMSProp算法参数，小批量随机梯度下降的批量数和正则化系数；
所述模型参数初值为所述ME和HME系统需要训练的网络参数的初始值，根据其形状取0到1之间的随机值。
优选的，在步骤c中，所述当年参数还包括经过步骤f中所述RMSProp算法更新后的参数。
优选的，在步骤d中，所述Q函数为关于模型参数θ和当前迭代步模型参数θ(k)的函数；
对于ME系统Q函数为：其中/>表示第t个数据主要使用第j个底层模型的期望概率。
对于HME系统：其中/>表示第t个数据主要使用第(i,j)个底层模型的期望概率。
在添加正则项参数之后，得到最终的目标优化函数：J(θ，θ(k))＝-Q(θ，θ(k))+α[∑j||Wj||2 2+∑j(||W1j||F 2+||W2j||2 2)]。
对于ME系统Q函数为：其中/>表示第t个数据主要使用第j个底层模型的期望概率。
对于HME系统：其中/>表示第t个数据主要使用第(i,j)个底层模型的期望概率。
在添加正则项参数之后，得到最终的目标优化函数：J(θ，θ(k))＝-Q(θ，θ(k))+α[∑j||Wj||2 2+∑j(||W1j||F 2+||W2j||2 2)]。
与现有技术相比，本发明的优势之处在于：本发明的混合专家系统在肺腺癌分类中给的应用方法与单一的统计模型和机器学习方法相比，对肺癌的类型有着更好的预测性能。
附图说明
图1为本发明一实施例中混合专家系统的流程图；
图2为本发明一实施例中分层混合专家系统的流程图；
图3为发明一实施例中明ME和HME系统的算法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案作进一步地说明。
在本发明中，为了便于本领域技术人员的理解，如图1所示，对于混合专家的系统做出如下解释：
我们首先给出一些独立的专家模型，一般都是比较简单成熟的模型，例如广义线性模型、低层神经网络模型等。我们用fj来表示这些专家模型，对于给定的输入x，每个专家模型都能独立地给出各自的输出：uj＝fj(x)。
我们将调控各专家模型权重的网络称为门控网络。在建模时，我们假设门控网络是广义线性的。由此我们定义中间变量：其中vj是一个权重向量
则门控网络的第j个输出是ξj的“softmax”函数：得到专家输出和门控网络后，最后模型的输出为各专家输出的加权和：u＝∑jgjuj。
我们可以将混合专家系统看成是一个概率生成模型，即由输入x生成输出y的总概率是来自每个组分密度生成y的概率的混合，其中混合比例即门控网络中给出的gj值。设θj为每个专家模型中的参数，vj为门控网络中的参数，则总概率由下式生成：P(y|x，Θ)＝∑jgj(x，vj)P(y|x，θj)。其中Θ包括专家模型参数θj以及门控网络参数vj。
如图2所示，对于分层混合专家的系统做出如下解释：
混合专家系统是分层混合专家系统层数为1的特殊情况。特别地，我们以两层混合专家系统为例，将其分为顶层门控网络和低层门控网络。我们用fij表示专家网络(i,j)中的模型函数，对于给定的输入x，每个专家模型都能独立给出各自的输出：uij＝fij(x)。
假定该模型的门控网络也是广义线性的。则对于顶层门控网络，ξi和gi的定义分别为：对于低层门控网络，ξij和gij的定义分别为：/>其中vi和vij都是输入特征的权重向量。树的每个非终端结点处的输出向量是非终端结点下面的专家的加权输出。也就是说，树的第二层的第i个非终端结点的输出是：ui＝∑jgijuij，并且树顶层的输出是：u＝∑igiui。
同样的，将整个模型看成是一个概率生成模型，设θij为每个专家模型中的参数，vi为顶层门控网络中的参数，vij为低层门控网络中的参数，混合比例即门控网络中给出的gi及gij值，则总概率由下式生成：P(y|x，Θ)＝∑igi∑jgijP(y|x，θij)。
其中Θ包括专家模型参数θij以及门控网络参数vi及vij。
在本实施例中，提出一种混合专家系统在肺腺癌分类中给的应用方法，包括以下步骤：
步骤1：整理原始数据，原始数据为影像特征和病人的临床特征；共13个，如下表。
步骤2：采用LASSO算法筛选有分类意义的特征数据；
由于本模型的输入为数值型变量，所有先讲所有因子型变量转化为数值(从0开始的正整数)。然后为了消除不同变量取值范围不同的影响，将所有变量都归一化到0至1之间。
然而，并不是所有变量都对最后的预测起作用，我们用LASSO算法来筛选有分类意义的特征。LASSO算法通过在广义线性模型后加上L1范数的正则项，将一些对预测没有显著作用的特征的系数变为0，从而达到特征筛选的作用。
我们筛选出来的特征包括平均径、平均CT值、肺段编号、瘤肺界面和空泡征，它们都具有很好的预测性能。
步骤3：将特征数据按照7:3的比例分为训练集和测试集；如果只在全部数据上训练我们的模型，它将在此数据集上达到很好的预测性能。但是对于外部的新数据，它将丧失原本的性能，因为它可能只是记住了原来的数据，而不是真正具有预测的能力，这也是所说的过拟合。
所以，我们将全部数据按照7:3的比例分为训练集和测试集；在训练集上训练完模型后，在测试集上评估它的性能。
在这里，我们都用AUC(Area Under Curve)来评估模型，它是衡量学习器优劣的一种性能指标
步骤4：在训练集中对ME或HME系统进行五折交叉验证得到ME或HME系统最优的模型；五折交叉验证为将训练集随机等分为五份，通过指定不同的超参数，用其中的四份来训练ME或HME系统，剩下的一份来验证不同超参数下的ME或HME系统；通过验证集来挑选出性能最优的超参数，从而建立最优的ME或HME系统模型。
步骤5：在测试集中对ME或HME系统最优的模型进行测试；在测试集中对最优模型进行测试，并计算其AUC值，作为模型的真实预测性能。
在本实施例中，如图3所示，ME和HME系统的算法流程为：
步骤a：输入LASSO算法筛选的有分类意义的特征数据；
步骤b：调整模型结构参数和模型参数初值；
步骤c：特征数据经过模型结构参数和模型参数初值处理生成当前参数；
步骤d：当前参数进入EM算法的E步，计算得到Q函数，在添加正则项参数之后，得到最终的目标优化函数值：J函数值。
步骤e：将J函数值判断是否手链，若收敛，则输出当前模型参数，若不收敛，进入EM算法的M步；
步骤f：EM算法的M步，将J函数值分别对所有参数求偏微分，然后用RMSProp算法更新J函数至新的参数，回到步骤C进行循环，直到步骤e判断为收敛后输出。
在本实施例中，在步骤b中，模型结构参数包括：底层模型的个数，RMSProp算法参数，小批量随机梯度下降的批量数和正则化系数；
模型参数初值为ME和HME系统需要训练的网络参数的初始值，根据其形状取0到1之间的随机值。
在本实施例中，在步骤c中，当年参数还包括经过步骤f中RMSProp算法更新后的参数。
在本实施例中，在步骤d中，Q函数为关于模型参数θ和当前迭代步模型参数θ(k)的函数；
对于ME系统Q函数为：其中/>表示第t个数据主要使用第j个底层模型的期望概率。
对于HME系统：其中/>表示第t个数据主要使用第(i,j)个底层模型的期望概率。
在添加正则项参数之后，得到最终的目标优化函数：J(θ，θ(k))＝-Q(θ，θ(k))+α[∑j||Wj||2 2+∑j(||W1j||F 2+||W2j||2 2)]。
对于ME系统Q函数为：其中/>表示第t个数据主要使用第j个底层模型的期望概率。
对于HME系统：其中/>表示第t个数据主要使用第(i,j)个底层模型的期望概率。
在添加正则项参数之后，得到最终的目标优化函数：J(θ，θ(k))＝-Q(θ，θ(k))+α[∑j||Wj||2 2+∑j(||W1j||F 2+||W2j||2 2)]。
本发明的混合专家系统在肺腺癌分类中给的应用方法与单一的统计模型和机器学习方法相比，对肺癌的类型有着更好的预测性能；因为混合专家系统遵循了影像科医生看片时的标准流程，也就是多个专家同时进行判断，最后再综合所有专家的意见，其中更有经验的专家会获得更大的权重。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (5)
1.一种混合专家系统在肺腺癌分类中给的应用方法，其特征在于，包括以下步骤：
步骤1：整理原始数据；
步骤2：采用LASSO算法筛选有分类意义的特征数据；
步骤3：将特征数据按照7:3的比例分为训练集和测试集；
步骤4：在训练集中对ME或HME系统进行五折交叉验证得到所述ME或HME系统最优的模型；
步骤5：在测试集中对所述ME或HME系统最优的模型进行测试；
所述ME和HME系统的算法流程为：
步骤a：输入LASSO算法筛选的有分类意义的特征数据；
步骤b：调整模型结构参数和模型参数初值；
步骤c：所述特征数据经过所述模型结构参数和模型参数初值处理生成当前参数；
步骤d：所述当前参数进入EM算法的E步，计算得到Q函数，在添加正则项参数之后，得到最终的目标优化函数值：J函数值；
步骤e：将所述J函数值判断是否收敛，若收敛，则输出当前模型参数，若不收敛，进入EM算法的M步；
步骤f：EM算法的M步，将所述J函数值分别对所有参数求偏微分，然后用RMSProp算法更新J函数至新的参数，回到步骤C进行循环，直到步骤e判断为收敛后输出；
在步骤b中，所述模型结构参数包括：底层模型的个数，RMSProp算法参数，小批量随机梯度下降的批量数和正则化系数；
所述模型参数初值为所述ME和HME系统需要训练的网络参数的初始值，根据其形状取0到1之间的随机值；
在步骤c中，所述当前参数还包括经过步骤f中所述RMSProp算法更新后的参数；
在步骤d中，所述Q函数为关于模型参数θ和当前迭代步模型参数θ(k)的函数；
对于ME系统Q函数为：其中/>表示第t个数据主要使用第j个底层模型的期望概率；gj表示第j个底层模型的门控权重，P(y(t)|x(t),θj)表示由第t个数据的输入x(t)和第j个底层模型的当前参数θj得到第t个数据的输出y(t)的概率；
对于HME系统：其中/>表示第t个数据主要使用第(i,j)个底层模型的期望概率；gij表示第(i,j)个底层模型的门控权重，P(y(t)|x(t),θij)表示由第t个数据的输入x(t)和第(i,j)个底层模型的当前参数θij得到第t个数据的输出y(t)的概率；
在添加正则项参数之后，得到最终的目标优化函数：J(θ,θ(k))＝-Q(θ,θ(k))+α[∑j||Wj||2 2+∑j(||W1j||F 2+||W2j||2 2)]；α表示正则项参数的权重，Wj表示第一层专家模型的权重参数，W1j和W2j表示第二层广义线性专家模型的线性参数。
2.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤1中，原始数据为影像特征和病人的临床特征。
3.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤2中，LASSO算法通过在广义线性模型后加上L1范数的正则项，将一些对预测没有显著作用的特征的系数变为0，从而达到特征筛选的作用。
4.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤4中，所述五折交叉验证为将训练集随机等分为五份，通过指定不同的超参数，用其中的四份来训练ME或HME系统，剩下的一份来验证不同超参数下的ME或HME系统；通过验证集来挑选出性能最优的超参数，从而建立最优的ME或HME系统模型。
5.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤5中，在测试集中对最优模型进行测试，并计算其AUC值，作为模型的真实预测性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782827.5A CN110706804B (zh) | 2019-08-23 | 2019-08-23 | 一种混合专家系统在肺腺癌分类中给的应用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910782827.5A CN110706804B (zh) | 2019-08-23 | 2019-08-23 | 一种混合专家系统在肺腺癌分类中给的应用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110706804A CN110706804A (zh) | 2020-01-17 |
| CN110706804B true CN110706804B (zh) | 2024-02-02 |
Family
ID=69193833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910782827.5A Active CN110706804B (zh) | 2019-08-23 | 2019-08-23 | 一种混合专家系统在肺腺癌分类中给的应用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110706804B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109528198A (zh) * | 2019-01-16 | 2019-03-29 | 郑志明 | 基于低阶多元广义线性模型的大脑反应比较方法 |
| CN114120045B (zh) * | 2022-01-25 | 2022-05-31 | 北京猫猫狗狗科技有限公司 | 一种基于多门控混合专家模型的目标检测方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015066564A1 (en) * | 2013-10-31 | 2015-05-07 | Cancer Prevention And Cure, Ltd. | Methods of identification and diagnosis of lung diseases using classification systems and kits thereof |
| CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
| CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
-
2019
- 2019-08-23 CN CN201910782827.5A patent/CN110706804B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015066564A1 (en) * | 2013-10-31 | 2015-05-07 | Cancer Prevention And Cure, Ltd. | Methods of identification and diagnosis of lung diseases using classification systems and kits thereof |
| CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
| CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| A Mixture of Experts Network Structure for Breast Cancer Diagnosis;Elif Derya;《Journal of Medical Systems》;20051031;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110706804A (zh) | 2020-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wyatt et al. | Anoddpm: Anomaly detection with denoising diffusion probabilistic models using simplex noise | |
| CN106570873B (zh) | 一种医学图像分割方法 | |
| CN107316294B (zh) | 一种基于改进的深度玻尔兹曼机肺结节特征提取方法 | |
| CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| Rao et al. | Convolutional neural networks for lung cancer screening in computed tomography (CT) scans | |
| CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
| CN108764358A (zh) | 一种太赫兹图像识别方法、装置、设备及可读存储介质 | |
| CN110706804B (zh) | 一种混合专家系统在肺腺癌分类中给的应用方法 | |
| CN108470337A (zh) | 一种基于图像深度特征的亚实性肺结节定量分析方法及系统 | |
| CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
| CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
| CN116386853A (zh) | 面向智慧医疗的深度可分离卷积双重聚合联邦学习方法 | |
| Yang et al. | Retinal vessel segmentation based on an improved deep forest | |
| Hu et al. | A Hybrid Convolutional Neural Network Model Based on Different Evolution for Medical Image Classification. | |
| CN114372926A (zh) | 一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法 | |
| Saikumar et al. | A Deep Convolutional Neural Network-Based Heart Diagnosis for Smart Healthcare Applications | |
| CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
| CN112101438A (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
| CN111798463A (zh) | 一种头颈部ct图像中多器官自动分割方法 | |
| CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
| CN108428226B (zh) | 一种基于ica稀疏表示与som的失真图像质量评价方法 | |
| de Oliveira Torres et al. | Texture analysis of lung nodules in computerized tomography images using functional diversity | |
| Clinton Jr et al. | Acute lymphoblastic leukemia detection using depthwise separable convolutional neural networks | |
| CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
| Chhabra et al. | Comparison of different edge detection techniques to improve quality of medical images |
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 |