CN110718299B - 一种患肝癌风险等级快速预测装置 - Google Patents
一种患肝癌风险等级快速预测装置 Download PDFInfo
- Publication number
- CN110718299B CN110718299B CN201910828869.8A CN201910828869A CN110718299B CN 110718299 B CN110718299 B CN 110718299B CN 201910828869 A CN201910828869 A CN 201910828869A CN 110718299 B CN110718299 B CN 110718299B
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- liver cancer
- risk assessment
- tester
- 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
Images
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种患肝癌风险等级快速预测装置,主要包括数据采集模块、数据库、数据处理模块和风险评估模块。数据采集模块采集测试者基本数据,并将测试者基本数据存储到数据库的初步数据矩阵P。数据处理模块调取并处理数据库中的初步数据矩阵P,得到样本数据矩阵P′,并输入到风险评估模块中。风险评估模块存储有肝癌风险评估模型。肝癌风险评估模型对样本数据矩阵P′进行处理,输出风险评估结果y。本发明保证了肝癌风险预测的可靠性。
Description
技术领域
本发明涉及风险检测领域,具体是一种患肝癌风险等级快速预测装置。
背景技术
目前,国内外对于长期吸烟、肥胖、患有一些肝脏疾病等可能导致的肝癌发现风险已经有成熟的实证数据;并通过影像学(超声、CT、MRI)为肝癌的定位诊断也提供了可靠的依据,尤其数据挖掘技术也逐渐帮助机器有效地诊断疾病。
但在市场上,没有直接将中国人群的生活饮食习惯等与肝癌发生率直接关联的产品和技术,而通过临床确定的癌症往往已经发生不可逆转的病变,且检验过程和周期较长,医疗负担较大,不利于人群的健康保护。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种患肝癌风险等级快速预测装置,主要包括数据采集模块、数据库、数据处理模块、风险评估模块和计算机可读介质。
所述数据采集模块采集测试者基本数据,并将测试者基本数据存储到数据库的初步数据矩阵P。
所述测试者基本数据主要包括测试者特征数据和肝癌风险数据。
所述初步数据矩阵P如下所示:
式中,ANα为初步数据矩阵P中元素。矩阵P的列下标为特征类别序号。行下标为测试者编号。α为测试者特征数据类别总数。
初步数据矩阵P中元素下标存储在标签矩阵B中。
所述测试者特征数据主要包括身高、体重、每周饮食摄入量和既往病史数值化结果。既往病史数值化的标准为:判断既往疾病影响风险评估结果的概率,若概率大于50%,则将测试者基本数据数值化为2,相反,则将测试者基本数据数值化为1。
所述数据处理模块调取并处理数据库中的初步数据矩阵P,得到样本数据矩阵P′,并输入到风险评估模块中。
所述数据处理模块处理数据库中的初步数据矩阵P的主要步骤如下:
1)判断初步数据矩阵P第g行是否缺失元素,若是,则删除第g行和标签矩阵B中与第g行元素下标相同的元素。若否,则保留第g行元素。g初始值为1。
2)令g=g+1,并返回步骤1,直至g=N+1。
3)基于步骤1和步骤2,建立更新后的初步数据矩阵P*。
4)利用近邻成分分析算法(NCA)提取初步数据矩阵P*中影响患肝癌风险最高的β个特征,并建立样本数据矩阵P′。β≤α,M≤N。
样本数据矩阵P′如下所示:
所述风险评估模块存储有肝癌风险评估模型。
建立肝癌风险评估模型的主要步骤如下:
1)随机提取样本数据矩阵P′中的c行数据构成训练样本矩阵C。
随机提取训练样本数据矩阵P′中的d行数据构成测试样本矩阵D。
2)确定SVM的目标函数,即:
fw,b(xi)=wT·xi+b。 (3)
式中,w为权重。b为偏置。xi为训练样本,即训练样本矩阵C中的第i行元素。xi对应的标签矩阵记为Bi。i=1,2,...,c。
其中,当fw,b(xi)>0时,yi=1。当fw,b(xi)<0时,yi=-1。yi为第i位测试者的患肝癌风险等级类别。
3)计算空间中任意样本xi到目标函数的距离r,即:
两个异类支持向量到超平面的距离之和margin如下所示:
4)确定SVM的约束条件,即:
yi(w·xi+b)-1≥0
5)利用拉格朗日乘子ai≥0构造拉格朗日函数,即:
式中,a为待调整参数。
6)基于公式7,将公式6简化如下:
7)基于步骤1至6,建立肝癌风险评估模型。
8)将训练样本矩阵C和标签矩阵Bi输入到公式8中,完成肝癌风险评估模型的参数调整。所述参数主要包括权重w和、偏置b和待调整参数a。
9)将测试样本矩阵D和标签矩阵Bj输入到调整自学习参数后的肝癌风险评估模型中,计算肝癌风险模型的预测准确率P,即:
式中,TP为模型正确预测的样本数;FP为模型错误预测的样本数。
肝癌风险评估模型根据预测误差率调整肝癌风险评估模型的参数。
所述肝癌风险评估模型对样本数据矩阵P′进行处理,输出风险评估结果y。风险评估结果y=0表示无高风险,风险评估结果y=1表示高风险。
所述计算机可读介质内写入数据库所有数据。
本发明的技术效果是毋庸置疑的,本发明直接采集病人的日常生活习惯、饮食习惯、以往病史等数据进行患肝癌风险等级预测,在节省医疗资源的同时,保证肝癌风险预测的可靠性。本发明提高了检验速度,具有较强的易用性和实用性。
附图说明
图1为本发明装置示意图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1,一种患肝癌风险等级快速预测装置,主要包括数据采集模块、数据库、数据处理模块、风险评估模块和计算机可读介质。
所述数据采集模块采集测试者基本数据,并将测试者基本数据存储到数据库的初步数据矩阵P。
所述测试者基本数据主要包括测试者特征数据和肝癌风险数据。
所述初步数据矩阵P如下所示:
式中,ANα为初步数据矩阵P中元素。矩阵P的列下标为特征类别序号。行下标为测试者编号。α为测试者特征数据类别总数。
初步数据矩阵P中元素下标存储在标签矩阵B中。
所述测试者特征数据主要包括身高、体重、每周饮食摄入量和既往病史数值化结果。
既往病史数值化的标准为:判断既往疾病影响风险评估结果的概率,若概率大于50%,则将测试者基本数据数值化为2,相反,则将测试者基本数据数值化为1。
所述肝癌风险数据由专家打分法得到。
所述数据处理模块调取并处理数据库中的初步数据矩阵P,得到样本数据矩阵P′,并输入到风险评估模块中。
所述数据处理模块处理数据库中的初步数据矩阵P的主要步骤如下:
1)判断初步数据矩阵P第g行是否缺失元素,若是,则删除第g行和标签矩阵B中与第g行元素下标相同的元素。若否,则保留第g行元素。g初始值为1。
2)令g=g+1,并返回步骤1,直至g=N+1。
3)基于步骤1和步骤2,建立更新后的初步数据矩阵P*。
4)利用近邻成分分析算法提取初步数据矩阵P*中影响患肝癌风险最高的β个特征,并建立样本数据矩阵P′。β≤α,M≤N。
样本数据矩阵P′如下所示:
所述风险评估模块存储有肝癌风险评估模型。
建立肝癌风险评估模型的主要步骤如下:
1)随机提取样本数据矩阵P′中的c行数据构成训练样本矩阵C。
随机提取训练样本数据矩阵P′中的d行数据构成测试样本矩阵D。
2)确定SVM(支持向量机)的目标函数,即:
fw,b(xi)=wT·xi+b。 (3)
式中,w为权重。b为偏置。xi为训练样本,即训练样本矩阵C中的第i行元素。xi对应的标签矩阵记为Bi。i=1,2,...,c。上标T表示转置。
其中,当fw,b(xi)>0时,yi=1。当fw,b(xi)<0时,yi=-1。yi为第i位测试者的患肝癌风险等级类别。
3)计算空间中任意样本xi到目标函数的距离r,即:
线性分类器SVM基于训练样本在二维空间中找到一个超平面来分开二类样本,超平面即为目标函数fw,b(xi)。两个异类支持向量也即fw,b(xi)>0对应的向量和fw,b(xi)<0对应的向量。
两个异类支持向量到超平面的距离之和margin(也即两个异类支持向量的间隔)如下所示:
4)确定SVM的约束条件,即:
yi(w·xi+b)-1≥0
5)利用拉格朗日乘子ai≥0构造拉格朗日函数,即:
式中,a为待调整参数。
6)基于公式7,将公式6简化如下:
7)基于步骤1至6,建立肝癌风险评估模型。
8)将训练样本矩阵C和标签矩阵Bi输入到公式8中,完成肝癌风险评估模型的参数调整。所述参数主要包括权重w和、偏置b和待调整参数a。
9)将测试样本矩阵D和标签矩阵Bj输入到调整自学习参数后的肝癌风险评估模型中,计算肝癌风险模型的预测准确率P,即:
式中,TP为模型正确预测的样本数;FP为模型错误预测的样本数。
肝癌风险评估模型根据预测准确率调整肝癌风险评估模型的参数。
所述肝癌风险评估模型对样本数据矩阵P′进行处理,输出风险评估结果y。风险评估结果y=0表示无高风险,风险评估结果y=1表示高风险。
所述计算机可读介质内写入数据库所有数据,并实时更新。
实施例2:
一种患肝癌风险等级快速预测装置,主要包括数据采集模块、数据库、数据处理模块和风险评估模块。
所述数据采集模块采集测试者基本数据,并将测试者基本数据存储到数据库的初步数据矩阵P。
所述数据处理模块调取并处理数据库中的初步数据矩阵P,得到样本数据矩阵P′,并输入到风险评估模块中。
所述风险评估模块存储有肝癌风险评估模型。
所述肝癌风险评估模型对样本数据矩阵P′进行处理,输出风险评估结果y。风险评估结果y=0表示无高风险,风险评估结果y=1表示高风险。
实施例3:
一种患肝癌风险等级快速预测装置,主要结构同实施例2,其中,建立肝癌风险评估模型的主要步骤如下:
1)随机提取样本数据矩阵P′中的c行数据构成训练样本矩阵C。
随机提取训练样本数据矩阵P′中的d行数据构成测试样本矩阵D。
2)确定SVM的目标函数,即:
fw,b(xi)=wT·xi+b。 (1)
式中,w为权重。b为偏置。xi为训练样本,即训练样本矩阵C中的第i行元素。xi对应的标签矩阵记为Bi。i=1,2,...,c。
其中,当fw,b(xi)>0时,yi=1。当fw,b(xi)<0时,yi=-1。yi为第i位测试者的患肝癌风险等级类别。
3)计算空间中任意样本xi到目标函数的距离r,即:
两个异类支持向量到超平面的距离之和margin如下所示:
4)确定SVM的约束条件,即:
yi(w·xi+b)-1≥0
5)利用拉格朗日乘子ai≥0构造拉格朗日函数,即:
式中,a为待调整参数。
6)基于公式7,将公式6简化如下:
7)基于步骤1至6,建立肝癌风险评估模型。
8)将训练样本矩阵C和标签矩阵Bi输入到公式8中,完成肝癌风险评估模型的参数调整。所述参数主要包括权重w和、偏置b和待调整参数a。
9)将测试样本矩阵D和标签矩阵Bj输入到调整自学习参数后的肝癌风险评估模型中,计算肝癌风险模型的预测准确率P,即:
式中,TP为模型正确预测的样本数;FP为模型错误预测的样本数;
肝癌风险评估模型根据预测准确率调整肝癌风险评估模型的参数。
实施例4:
一种患肝癌风险等级快速预测装置,主要结构同实施例2,其中,所述初步数据矩阵P如下所示:
式中,ANα为初步数据矩阵P中元素。矩阵P的列下标为特征类别序号。行下标为测试者编号。α为测试者特征数据类别总数。
初步数据矩阵P中元素下标存储在数据类别列表矩阵B中。
实施例5:
一种患肝癌风险等级快速预测装置,主要结构同实施例2,其中,所述数据处理模块处理数据库中的初步数据矩阵P的主要步骤如下:
1)判断初步数据矩阵P第g行是否缺失元素,若是,则删除第g行和标签矩阵B中与第g行元素下标相同的元素。若否,则保留第g行元素。g初始值为1。
2)令g=g+1,并返回步骤1,直至g=N+1。
3)基于步骤1和步骤2,建立更新后的初步数据矩阵P*。
4)利用近邻成分分析算法提取初步数据矩阵P*中影响患肝癌风险最高的β个特征,并建立样本数据矩阵P′。β≤α,M≤N。
样本数据矩阵P′如下所示:
实施例6:
一种验证患肝癌风险等级快速预测装置的实验,将50610位测试者的121个特征数据输入到患肝癌风险等级快速预测装置中,得到初步数据矩阵。
对所述初步数据矩阵进行筛选,得到49076条有效数据,并利用近邻成分分析(NCA)算法从初步数据矩阵提取影响患肝癌风险最高的14个特征,如下表所示:
表1影响患肝癌风险最高的14个特征
将这些影响肝癌最高的特征所在P中的列组成样本数据矩阵P'。初步检测数据矩阵P'如下所示:
将样本数据矩阵P'输入到风险评估模块中,得到风险预测结果。
Claims (2)
1.一种患肝癌风险等级快速预测装置,其特征在于,包括数据采集模块、数据库、数据处理模块和风险评估模块;
所述数据采集模块采集测试者基本数据,并将测试者基本数据存储到数据库的初步数据矩阵P;
所述数据处理模块调取并处理数据库中的初步数据矩阵P,得到样本数据矩阵P′,并输入到风险评估模块中;
所述风险评估模块存储有肝癌风险评估模型;
所述肝癌风险评估模型对样本数据矩阵P′进行处理,输出风险评估结果y;风险评估结果y=0表示无高风险,风险评估结果y=1表示高风险;
所述测试者基本数据包括测试者特征数据和肝癌风险数据;
所述测试者特征数据包括身高、体重、每周饮食摄入量和既往病史数值化结果;
既往病史数值化的标准为:判断既往疾病影响风险评估结果的概率,若概率大于50%,则将测试者基本数据数值化为2,相反,则将测试者基本数据数值化为1;
所述初步数据矩阵P如下所示:
式中,ANα为初步数据矩阵P中元素;矩阵P的列下标为特征类别序号;行下标为测试者编号;α为测试者特征数据类别总数;
初步数据矩阵P中元素下标存储在标签矩阵B中;
所述数据处理模块处理数据库中的初步数据矩阵P的步骤如下:
I)判断初步数据矩阵P第g行是否缺失元素,若是,则删除第g行和标签矩阵B中与第g行元素下标相同的元素;若否,则保留第g行元素;g初始值为1;
II)令g=g+1,并返回步骤I),直至g=N+1;
III)基于步骤I)和步骤II),建立更新后的初步数据矩阵P*;
IV)利用近邻成分分析算法提取初步数据矩阵P*中影响患肝癌风险最高的β个特征,并建立样本数据矩阵P′;β≤α,M≤N;
样本数据矩阵P′如下所示:
建立肝癌风险评估模型的步骤如下:
1)随机提取样本数据矩阵P′中的c行数据构成训练样本矩阵C;
随机提取训练样本数据矩阵P′中的d行数据构成测试样本矩阵D;
2)确定SVM的目标函数fw,b(xi),即:
fw,b(xi)=wT·xi+b; (3)
式中,w为权重;b为偏置;xi为训练样本,即训练样本矩阵C中的第i行元素;xi对应的标签矩阵记为Bi;i=1,2,...,c;
其中,当fw,b(xi)>0时,yi=1;当fw,b(xi)<0时,yi=-1;yi为第i位测试者的患肝癌风险等级类别;
3)计算空间中任意样本xi到目标函数的距离r,即:
两个异类支持向量到超平面的距离之和margin如下所示:
4)确定SVM的约束条件,即:
5)利用拉格朗日乘子ai≥0构造拉格朗日函数,即:
式中,a为待调整参数;
6)基于公式7,将公式6简化如下:
7)基于步骤1至6,建立肝癌风险评估模型;
8)将训练样本矩阵C和标签矩阵Bi输入到公式8中,完成肝癌风险评估模型的参数调整;所述参数包括权重w和、偏置b和待调整参数a;
9)将测试样本矩阵D和标签矩阵Bj输入到调整自学习参数后的肝癌风险评估模型中,计算肝癌风险模型的预测准确率P,即:
式中,TP为模型正确预测的样本数;FP为模型错误预测的样本数。
2.根据权利要求1所述的一种患肝癌风险等级快速预测装置,其特征在于,还包括计算机可读介质;
所述计算机可读介质内写入数据库所有数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828869.8A CN110718299B (zh) | 2019-09-03 | 2019-09-03 | 一种患肝癌风险等级快速预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828869.8A CN110718299B (zh) | 2019-09-03 | 2019-09-03 | 一种患肝癌风险等级快速预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110718299A CN110718299A (zh) | 2020-01-21 |
CN110718299B true CN110718299B (zh) | 2023-05-05 |
Family
ID=69209618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910828869.8A Active CN110718299B (zh) | 2019-09-03 | 2019-09-03 | 一种患肝癌风险等级快速预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110718299B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739641A (zh) * | 2020-06-23 | 2020-10-02 | 杭州和壹医学检验所有限公司 | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 |
CN111739642A (zh) * | 2020-06-23 | 2020-10-02 | 杭州和壹医学检验所有限公司 | 一种结直肠癌风险预测方法、系统、计算机设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101346628A (zh) * | 2005-12-22 | 2009-01-14 | 霍夫曼-拉罗奇有限公司 | 包含骨桥蛋白和癌胚抗原的标记物组合在结肠直肠癌的评估中的用途 |
US9373036B1 (en) * | 2015-01-16 | 2016-06-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Collaborative distance metric learning for method and apparatus visual tracking |
CN105808914A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 一种卫星锂离子电池寿命的预测方法及装置 |
CN108520111A (zh) * | 2018-03-06 | 2018-09-11 | 宁波大学 | 一种基于正交成分最优选择与最优回归的软测量方法 |
CN109407649A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于故障特征变量选择的故障类型匹配方法 |
CN109409425A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于近邻成分分析的故障类型识别方法 |
-
2019
- 2019-09-03 CN CN201910828869.8A patent/CN110718299B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101346628A (zh) * | 2005-12-22 | 2009-01-14 | 霍夫曼-拉罗奇有限公司 | 包含骨桥蛋白和癌胚抗原的标记物组合在结肠直肠癌的评估中的用途 |
CN105808914A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 一种卫星锂离子电池寿命的预测方法及装置 |
US9373036B1 (en) * | 2015-01-16 | 2016-06-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Collaborative distance metric learning for method and apparatus visual tracking |
CN108520111A (zh) * | 2018-03-06 | 2018-09-11 | 宁波大学 | 一种基于正交成分最优选择与最优回归的软测量方法 |
CN109407649A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于故障特征变量选择的故障类型匹配方法 |
CN109409425A (zh) * | 2018-10-09 | 2019-03-01 | 宁波大学 | 一种基于近邻成分分析的故障类型识别方法 |
Non-Patent Citations (3)
Title |
---|
Dandan Liu 等.Modeling Data-Driven Liver Cancer Prediction with Medical Knowledge on Chinese Population.《2019 IEEE SmartWorld, Ubiquitous Intelligence & Computing, Advanced & Trusted Computing, Scalable Computing & Communications, Cloud & Big Data Computing, Internet of People and Smart City Innovation》.2020,全文. * |
朱大业;丁晓红;王神龙;王海华;余慧杰.基于支持向量机模型的复杂非线性系统试验不确定度评定方法.机械工程学报.2018,(第08期),全文. * |
赵咏旺;刘毅慧;黄伟.基于近邻成分分析算法的原发性肝癌精确放疗后HBV再激活分类预测.生物信息学.2018,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110718299A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maghdid et al. | Diagnosing COVID-19 pneumonia from X-ray and CT images using deep learning and transfer learning algorithms | |
EP3543880B1 (en) | Stroke diagnosis and prognosis system | |
Wang et al. | Coronary artery calcium score quantification using a deep-learning algorithm | |
Huo et al. | Fully automatic liver attenuation estimation combing CNN segmentation and morphological operations | |
JP2016062544A (ja) | 情報処理装置、プログラム、及び情報処理方法 | |
TW201911074A (zh) | 資訊處理裝置及資訊處理方法 | |
CN110718299B (zh) | 一种患肝癌风险等级快速预测装置 | |
KR20200077852A (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
JP2014029644A (ja) | 類似症例検索装置および類似症例検索方法 | |
US20210216745A1 (en) | Cell Detection Studio: a system for the development of Deep Learning Neural Networks Algorithms for cell detection and quantification from Whole Slide Images | |
CN109448854A (zh) | 一种肺结核检测模型的构建方法及应用 | |
WO2023193390A1 (zh) | 在治疗前对直肠癌治疗抵抗及其分子机制的预测系统 | |
CN114600155A (zh) | 用于细胞检测和分割的弱监督多任务学习 | |
CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
Glocker et al. | Risk of bias in chest radiography deep learning foundation models | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
Zou et al. | Automated measurements of body composition in abdominal CT scans using artificial intelligence can predict mortality in patients with cirrhosis | |
Sarapata et al. | Video-based activity recognition for automated motor assessment of Parkinson's disease | |
Low et al. | Automated detection of cecal intubation with variable bowel preparation using a deep convolutional neural network | |
TW202228152A (zh) | 樣本分群探勘方法 | |
Kumar et al. | A Critical Analysis on Vertebra Identification and Cobb Angle Estimation Using Deep Learning for Scoliosis Detection | |
CN115910320A (zh) | 一种icu重症患者用的急性呼吸窘迫综合征预警系统 | |
CN105095689B (zh) | 一种基于韦恩预测的电子鼻数据挖掘方法 | |
CN109767430A (zh) | 有价票据的质量检测方法及质量检测系统 |
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 |