CN111584064A - 一种结、直肠癌转移预测系统及其使用方法 - Google Patents
一种结、直肠癌转移预测系统及其使用方法 Download PDFInfo
- Publication number
- CN111584064A CN111584064A CN202010226646.7A CN202010226646A CN111584064A CN 111584064 A CN111584064 A CN 111584064A CN 202010226646 A CN202010226646 A CN 202010226646A CN 111584064 A CN111584064 A CN 111584064A
- Authority
- CN
- China
- Prior art keywords
- prediction
- rna
- model
- screening
- metastasis
- 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
Links
- 206010027476 Metastases Diseases 0.000 title claims abstract description 62
- 230000009401 metastasis Effects 0.000 title claims abstract description 62
- 206010009944 Colon cancer Diseases 0.000 title claims abstract description 53
- 208000001333 Colorectal Neoplasms Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 208000005016 Intestinal Neoplasms Diseases 0.000 claims abstract description 33
- 201000002313 intestinal cancer Diseases 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 19
- 208000015634 Rectal Neoplasms Diseases 0.000 claims description 18
- 206010038038 rectal cancer Diseases 0.000 claims description 18
- 201000001275 rectum cancer Diseases 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 108020004414 DNA Proteins 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 210000000056 organ Anatomy 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000008014 freezing Effects 0.000 claims description 6
- 238000007710 freezing Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 3
- 238000003766 bioinformatics method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005111 flow chemistry technique Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000004185 liver Anatomy 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 238000001712 DNA sequencing Methods 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 208000003788 Neoplasm Micrometastasis Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Analytical Chemistry (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及预测系统技术领域，公开了一种结、直肠癌转移预测系统及其使用方法，包括：采集单元，用于采集肠癌组织样本；数据预处理单元，用于差异分析初步筛选特征RNA；筛选预测模型构建单元，用于根据性能指标和特征数量，筛选特征RNA构建预测模型；预测模型分析单元，用于分析预测模型中靶向样本的特征RNA。本系统综合应用随机森林算法、神经网络算法、梯度提升树算法等多种深度学习方法构建结直肠癌转移风险预测深度学习模型，通过应用多种深度学习和分析方法实现自动化和流程化处理，促进人工智能与临床研究的紧密结合，为结直肠癌患者提供无创、便捷、准确、高效的转移风险预测方法。
Description
技术领域
本发明涉及预测系统技术领域，尤其涉及了一种结、直肠癌转移预测系统及其使用方法。
背景技术
结直肠癌(colorectal cancer，CRC)是临床上高发病率、高死亡率的恶性肿瘤之一，其发病率居全球恶性肿瘤的第3位，死亡率居第2位，严重威胁着人类健康。转移是肠癌的一个重要特征，其转移途径包括肝转移、肺转移、淋巴转移等。早期大肠癌5年生存率可达90％，而转移或晚期晚期结直肠癌则不足20％。目前临床上常用的转移诊断方法为影像学检查手段，包括CT、PET-CT、同位素等，对可疑病灶的细针穿刺是明确诊断的主要手段。但是对于微小转移病灶而言，常规的影像学检测方法难以发现。因此，实现微小病灶的精准检测，提高转移风险预测率对于改善结直肠癌患者预后至关重要。
发明内容
本发明针对现有技术中的缺点，提供了一种结、直肠癌转移预测系统及其使用方法。
为了解决上述技术问题，本发明通过下述技术方案得以解决。
一种结、直肠癌转移预测系统，包括：
采集单元，用于采集肠癌组织样本；
数据预处理单元，用于差异分析初步筛选特征RNA；
筛选预测模型构建单元，用于根据性能指标和特征数量，筛选特征RNA构建预测模型；
预测模型分析单元，用于分析预测模型中靶向样本的特征RNA。
作为优选，采集单元中，采集肠癌组织样本后，还包括将肠癌组织样本冻存与-80°冰箱。
作为优选，数据预处理单元中，差异分析初步筛选特征RNA过程包括：提取肠癌组织样本DNA，通过测序仪对RNA组进行测序，通过生物信息学方法对测序的RNA序列进行RNA注释分析和差异RNA筛选，得出结、直肠癌靶向转移差异RNA数据。
作为优选，筛选预测模型构建单元中，所有预测模型包括：感知器算法模型、逻辑回归算法模型、随机森林算法模型、梯度提升树算法模型、Catboost算法模型、支持向量机算法模型。
作为优选，筛选预测模型构建单元中，筛选特征RNA构建预测模型过程包括：将结、直肠癌靶向转移数据带入所有预测模型中，得出所有预测模型的AUC曲线图，根据生成的AUC曲线图中性能指标和特征数量符合率，筛选出一个或多个符合率最高的预测模型。
作为优选，筛选预测模型构建单元中，还包括训练模型：将大量肠癌组织样本分为训练样本和测试样本，训练样本和测试样本的比例为4：1，将所有样本经过数据预处理单元得出直肠癌靶向转移差异RNA的数据；将训练样本的直肠癌靶向转移差异RNA的数据进行RNA注释分析和差异RNA筛选后，带入筛选出的预测模型中，得出训练后预测模型；将测试样本的直肠癌靶向转移差异RNA的数据进行RNA注释分析和差异RNA筛选后，带入训练后的预测模型中，对该预测模型进行验证，验证成功则训练模型为最终的转移预测模型。
作为优选，预测模型分析单元中，分析预测模型中的特征RNA过程包括：将待预测器官样本DNA测序后带入转移预测模型中，生成ACU曲线图，对特征RNA的符合率进行判断，根据判断结果得出预测结论。
一种结、直肠癌转移预测系统的使用方法，包括如下步骤：
(1)采集样本：采集肠癌组织样本，将肠癌组织样本冻存与-80°冰箱待使用；
(2)对样本进行预处理：提取肠癌组织样本DNA，通过测序仪对RNA组进行RNA注释分析和差异RNA筛选，得出结、直肠癌靶向转移数据；
(3)筛选构建模型：将结、直肠癌靶向转移数据带入所有预测模型中，得出所有预测模型的AUC曲线图，根据生成的AUC曲线图中性能指标和特征数量符合率，筛选出一个或多个符合率最高的预测模型；
(4)训练模型：将大量肠癌组织样本分为训练样本和测试样本，训练样本和测试样本的比例为4：1，将所有样本经过数据预处理单元得出直肠癌靶向转移数据；将训练样本的直肠癌靶向转移的差异RNA数据，带入筛选出的预测模型中，得出训练后预测模型；将测试样本的直肠癌靶向转移数据，带入训练后的预测模型中，对该预测模型进行验证，验证成功则训练模型为最终的转移预测模型；
(5)分析待测靶向样本：将待测靶向样本DNA测序，对测序结果进行RNA注释分析和差异RNA筛选后，带入转移预测模型中，生成ACU曲线图，对特征RNA的符合率进行判断，根据判断结果得出预测结论。
作为优选，步骤(3)中，所有预测模型包括：感知器算法模型、逻辑回归算法模型、随机森林算法模型、梯度提升树算法模型、Catboost算法模型、支持向量机算法模型。
本发明由于采用了以上技术方案，具有显著的技术效果：本发明通过对肠癌RNA组与靶向器官差异RNA比较，并构建机器学习模型，从而使预测结直肠癌转移风险更准确。本系统综合应用随机森林算法、神经网络算法、梯度提升树算法等多种深度学习方法构建结直肠癌转移风险预测深度学习模型。通过整合公共数据库数据资源，覆盖更大范围的样本，对模型进行训练，实现软件的自动化和流程化处理。主要分为采集单元、数据预处理单元、筛选预测模型构建单元、预测模型分析单元四个单元。通过应用多种深度学习和分析方法实现自动化和流程化处理，促进人工智能与临床研究的紧密结合，为结直肠癌患者提供无创、便捷、准确、高效的转移风险预测方法。
附图说明
图1是本发明一种结、直肠癌转移预测系统及其使用方法中系统结构示意图；
图2是本发明一种结、直肠癌转移预测系统及其使用方法的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步详细描述。
如图1至图2所示，一种结、直肠癌转移预测系统，包括：
采集单元，用于采集肠癌组织样本；
数据预处理单元，用于差异分析初步筛选特征RNA；
筛选预测模型构建单元，用于根据性能指标和特征数量，筛选特征RNA构建预测模型；
预测模型分析单元，用于分析预测模型中靶向样本的特征RNA。
在一些实施例中，采集单元中，采集肠癌组织样本后，还包括将肠癌组织样本冻存与-80°冰箱。
在一些实施例中，数据预处理单元中，差异分析初步筛选特征RNA过程包括：提取肠癌组织样本DNA，通过测序仪对RNA组进行测序，通过生物信息学方法对测序的RNA序列进行RNA注释分析和差异RNA筛选，得出结、直肠癌靶向转移差异RNA数据。
在一些实施例中，筛选预测模型构建单元中，所有预测模型包括：感知器算法模型、逻辑回归算法模型、随机森林算法模型、梯度提升树算法模型、Catboost算法模型、支持向量机算法模型。
在一些实施例中，筛选预测模型构建单元中，筛选特征RNA构建预测模型过程包括：将结、直肠癌靶向转移数据带入所有预测模型中，得出所有预测模型的AUC曲线图，根据生成的AUC曲线图中性能指标和特征数量符合率，筛选出一个或多个符合率最高的预测模型。
在一些实施例中，筛选预测模型构建单元中，还包括训练模型：将大量肠癌组织样本分为训练样本和测试样本，训练样本和测试样本的比例为4：1，将所有样本经过数据预处理单元得出直肠癌靶向转移差异RNA的数据；将训练样本的直肠癌靶向转移差异RNA的数据进行RNA注释分析和差异RNA筛选后，带入筛选出的预测模型中，得出训练后预测模型；将测试样本的直肠癌靶向转移差异RNA的数据进行RNA注释分析和差异RNA筛选后，带入训练后的预测模型中，对该预测模型进行验证，验证成功则训练模型为最终的转移预测模型。
在一些实施例中，预测模型分析单元中，分析预测模型中的特征RNA过程包括：将待预测器官样本DNA测序后带入转移预测模型中，生成ACU曲线图，对特征RNA的符合率进行判断，根据判断结果得出预测结论。
一种结、直肠癌转移预测系统的使用方法，包括如下步骤：
(1)采集样本：采集肠癌组织样本，将肠癌组织样本冻存与-80°冰箱待使用；
(2)对样本进行预处理：提取肠癌组织样本DNA，通过测序仪对RNA组进行RNA注释分析和差异RNA筛选，得出结、直肠癌靶向转移数据；
(3)筛选构建模型：将结、直肠癌靶向转移数据带入所有预测模型中，得出所有预测模型的AUC曲线图，根据生成的AUC曲线图中性能指标和特征数量符合率，筛选出一个或多个符合率最高的预测模型；
(4)训练模型：将大量肠癌组织样本分为训练样本和测试样本，训练样本和测试样本的比例为4：1，将所有样本经过数据预处理单元得出直肠癌靶向转移数据；将训练样本的直肠癌靶向转移的差异RNA数据，带入筛选出的预测模型中，得出训练后预测模型；将测试样本的直肠癌靶向转移数据，带入训练后的预测模型中，对该预测模型进行验证，验证成功则训练模型为最终的转移预测模型；
(5)分析待测靶向样本：将待测靶向样本DNA测序，对测序结果进行RNA注释分析和差异RNA筛选后，带入转移预测模型中，生成ACU曲线图，对特征RNA的符合率进行判断，根据判断结果得出预测结论。
在一些实施例中，步骤(3)中，所有预测模型包括：感知器算法模型、逻辑回归算法模型、随机森林算法模型、梯度提升树算法模型、Catboost算法模型、支持向量机算法模型。
本发明通过对肠癌RNA组与靶向器官差异RNA比较，并构建机器学习模型，从而使预测结直肠癌转移风险更准确。本系统综合应用随机森林算法、神经网络算法、梯度提升树算法等多种深度学习方法构建结直肠癌转移风险预测深度学习模型。通过整合公共数据库数据资源，覆盖更大范围的样本，对模型进行训练，实现软件的自动化和流程化处理。主要分为采集单元、数据预处理单元、筛选预测模型构建单元、预测模型分析单元四个单元。通过应用多种深度学习和分析方法实现自动化和流程化处理，促进人工智能与临床研究的紧密结合，为结直肠癌患者提供无创、便捷、准确、高效的转移风险预测方法。
实施例1
(1)采集待检测甲患者的肠癌组织样本A，将肠癌组织样本冻存与-80°冰箱待使用；
(2)提取肠癌组织样本A的DNA，通过测序仪对RNA组进行RNA注释分析和差异RNA筛选，得出结、直肠癌靶向转移数据；
(3)将结、直肠癌靶向转移数据带入所有预测模型中，得出所有预测模型的AUC曲线图，根据生成的AUC曲线图中性能指标和特征数量符合率，选择Catboost算法模型为最佳预测模型；
(4)将500个样本数据中400个训练样本数据对Catboost算法模型进行训练得到训练后的预测模型，然后100个测试样本对该预测模型进行验证，得到100％验证正确率；
(5)将待测目标患者的肝样本检测DNA测序数据，带入验证后的预测模型，根据预测模型生成的ACU曲线图，对特征RNA的符合率进行判断为88％，超过80％，则判断为肠癌已经转移到肝。
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。
Claims (9)
1.一种结、直肠癌转移预测系统，其特征在于：包括：
采集单元，用于采集肠癌组织样本；
数据预处理单元，用于差异分析初步筛选特征RNA；
筛选预测模型构建单元，用于根据性能指标和特征数量，筛选特征RNA构建预测模型；
预测模型分析单元，用于分析预测模型中靶向样本的特征RNA。
2.根据权利要求1所述的一种结、直肠癌转移预测系统，其特征在于：采集单元中，采集肠癌组织样本后，还包括将肠癌组织样本冻存与-80°冰箱。
3.根据权利要求1所述的一种结、直肠癌转移预测系统，其特征在于：数据预处理单元中，差异分析初步筛选特征RNA过程包括：提取肠癌组织样本DNA，通过测序仪对RNA组进行测序，通过生物信息学方法对测序的RNA序列进行RNA注释分析和差异RNA筛选，得出结、直肠癌靶向转移差异RNA数据。
4.根据权利要求3所述的一种结、直肠癌转移预测系统，其特征在于：筛选预测模型构建单元中，所有预测模型包括：感知器算法模型、逻辑回归算法模型、随机森林算法模型、梯度提升树算法模型、Catboost算法模型、支持向量机算法模型。
5.根据权利要求4所述的一种结、直肠癌转移预测系统，其特征在于：筛选预测模型构建单元中，筛选特征RNA构建预测模型过程包括：将结、直肠癌靶向转移数据带入所有预测模型中，得出所有预测模型的AUC曲线图，根据生成的AUC曲线图中性能指标和特征数量符合率，筛选出一个或多个符合率最高的预测模型。
6.根据权利要求5所述的一种结、直肠癌转移预测系统，其特征在于：筛选预测模型构建单元中，还包括训练模型：将大量肠癌组织样本分为训练样本和测试样本，训练样本和测试样本的比例为4：1，将所有样本经过数据预处理单元得出直肠癌靶向转移差异RNA的数据；将训练样本的直肠癌靶向转移差异RNA的数据进行RNA注释分析和差异RNA筛选后，带入筛选出的预测模型中，得出训练后预测模型；将测试样本的直肠癌靶向转移差异RNA的数据进行RNA注释分析和差异RNA筛选后，带入训练后的预测模型中，对该预测模型进行验证，验证成功则训练模型为最终的转移预测模型。
7.根据权利要求6所述的一种结、直肠癌转移预测系统，其特征在于：预测模型分析单元中，分析预测模型中的特征RNA过程包括：将待预测器官样本DNA测序后带入转移预测模型中，生成ACU曲线图，对特征RNA的符合率进行判断，根据判断结果得出预测结论。
8.一种如权利要求7所述的结、直肠癌转移预测系统的使用方法，其特征在于，包括如下步骤：
(1)采集样本：采集肠癌组织样本，将肠癌组织样本冻存与-80°冰箱待使用；
(2)对样本进行预处理：提取肠癌组织样本DNA，通过测序仪对RNA组进行RNA注释分析和差异RNA筛选，得出结、直肠癌靶向转移数据；
(3)筛选构建模型：将结、直肠癌靶向转移数据带入所有预测模型中，得出所有预测模型的AUC曲线图，根据生成的AUC曲线图中性能指标和特征数量符合率，筛选出一个或多个符合率最高的预测模型；
(4)训练模型：将大量肠癌组织样本分为训练样本和测试样本，训练样本和测试样本的比例为4：1，将所有样本经过数据预处理单元得出直肠癌靶向转移数据；将训练样本的直肠癌靶向转移的差异RNA数据，带入筛选出的预测模型中，得出训练后预测模型；将测试样本的直肠癌靶向转移数据，带入训练后的预测模型中，对该预测模型进行验证，验证成功则训练模型为最终的转移预测模型；
(5)分析待测靶向样本：将待测靶向样本DNA测序，对测序结果进行RNA注释分析和差异RNA筛选后，带入转移预测模型中，生成ACU曲线图，对特征RNA的符合率进行判断，根据判断结果得出预测结论。
9.根据权利要求8所述的一种结、直肠癌转移预测系统使用方法，其特征在于：步骤(3)中，所有预测模型包括：感知器算法模型、逻辑回归算法模型、随机森林算法模型、梯度提升树算法模型、Catboost算法模型、支持向量机算法模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226646.7A CN111584064A (zh) | 2020-03-27 | 2020-03-27 | 一种结、直肠癌转移预测系统及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010226646.7A CN111584064A (zh) | 2020-03-27 | 2020-03-27 | 一种结、直肠癌转移预测系统及其使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111584064A true CN111584064A (zh) | 2020-08-25 |
Family
ID=72112562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010226646.7A Pending CN111584064A (zh) | 2020-03-27 | 2020-03-27 | 一种结、直肠癌转移预测系统及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111584064A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037852A (zh) * | 2020-09-01 | 2020-12-04 | 复旦大学附属中山医院 | 一种t1期结直肠癌淋巴结转移预测方法和系统 |
| CN112034182A (zh) * | 2020-09-01 | 2020-12-04 | 复旦大学附属中山医院 | 一种结肠癌转移预测方法和系统 |
| CN113113150A (zh) * | 2021-04-15 | 2021-07-13 | 上海交通大学医学院附属第九人民医院 | 淋巴结转移预测模型构建与训练方法、装置、设备和介质 |
| CN117711497A (zh) * | 2022-09-05 | 2024-03-15 | 浙江洛兮医疗科技有限公司 | 基于mlp构建甲状腺癌淋巴结转移诊断分类器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170342500A1 (en) * | 2014-12-19 | 2017-11-30 | Danmarks Tekniske Universitet | Method for identification of tissue or organ localization of a tumour |
| US20200005901A1 (en) * | 2018-06-30 | 2020-01-02 | 20/20 Genesystems, Inc | Cancer classifier models, machine learning systems and methods of use |
| CN110791565A (zh) * | 2019-09-29 | 2020-02-14 | 浙江大学 | 一种用于ii期结直肠癌复发预测的预后标记基因及随机生存森林模型 |
| US20200140953A1 (en) * | 2017-02-28 | 2020-05-07 | Baylor Research Institute | Methods for diagnosing, prognosing, and treating colorectal cancer using biomarker expression |
| US20210174958A1 (en) * | 2018-04-13 | 2021-06-10 | Freenome Holdings, Inc. | Machine learning implementation for multi-analyte assay development and testing |
-
2020
- 2020-03-27 CN CN202010226646.7A patent/CN111584064A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170342500A1 (en) * | 2014-12-19 | 2017-11-30 | Danmarks Tekniske Universitet | Method for identification of tissue or organ localization of a tumour |
| US20200140953A1 (en) * | 2017-02-28 | 2020-05-07 | Baylor Research Institute | Methods for diagnosing, prognosing, and treating colorectal cancer using biomarker expression |
| US20210174958A1 (en) * | 2018-04-13 | 2021-06-10 | Freenome Holdings, Inc. | Machine learning implementation for multi-analyte assay development and testing |
| US20200005901A1 (en) * | 2018-06-30 | 2020-01-02 | 20/20 Genesystems, Inc | Cancer classifier models, machine learning systems and methods of use |
| CN110791565A (zh) * | 2019-09-29 | 2020-02-14 | 浙江大学 | 一种用于ii期结直肠癌复发预测的预后标记基因及随机生存森林模型 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037852A (zh) * | 2020-09-01 | 2020-12-04 | 复旦大学附属中山医院 | 一种t1期结直肠癌淋巴结转移预测方法和系统 |
| CN112034182A (zh) * | 2020-09-01 | 2020-12-04 | 复旦大学附属中山医院 | 一种结肠癌转移预测方法和系统 |
| CN113113150A (zh) * | 2021-04-15 | 2021-07-13 | 上海交通大学医学院附属第九人民医院 | 淋巴结转移预测模型构建与训练方法、装置、设备和介质 |
| CN117711497A (zh) * | 2022-09-05 | 2024-03-15 | 浙江洛兮医疗科技有限公司 | 基于mlp构建甲状腺癌淋巴结转移诊断分类器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111584064A (zh) | 一种结、直肠癌转移预测系统及其使用方法 | |
| CN112184658A (zh) | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 | |
| CN112951406A (zh) | 一种基于ct影像组学的肺癌预后辅助评估方法及系统 | |
| CN111739641A (zh) | 一种胃癌风险预测方法、系统、计算机设备及可读存储介质 | |
| CN106202968B (zh) | 癌症的数据分析方法及装置 | |
| CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
| CN111640503B (zh) | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 | |
| CN111028223B (zh) | 一种微卫星不稳定肠癌能谱ct碘水图影像组学特征处理方法 | |
| CN116385441B (zh) | 一种基于mri对少突胶质细胞瘤进行风险分层的方法及系统 | |
| CN115896242A (zh) | 一种基于外周血免疫特征的癌症智能筛查模型及方法 | |
| CN117253625A (zh) | 肺癌筛查模型的构建装置、肺癌筛查装置、设备及介质 | |
| CN113913333B (zh) | 一种肺癌诊断标志物及用途 | |
| Alderuccio et al. | Quantitative PET-based biomarkers in lymphoma: getting ready for primetime | |
| CN113611404A (zh) | 一种基于集成学习的血浆样本癌症早筛方法 | |
| CN113702349A (zh) | 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法 | |
| CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
| Hrizi et al. | Lung cancer detection and nodule type classification using image processing and machine learning | |
| CN116805509A (zh) | 结直肠癌免疫治疗预测标志物的构建方法及应用 | |
| CN111351942B (zh) | 肺癌肿瘤标志物筛选系统及肺癌风险分析系统 | |
| CN116469473B (zh) | T细胞亚型鉴定的模型训练方法、装置、设备及存储介质 | |
| CN113393901B (zh) | 一种基于单核细胞采集肿瘤核酸的胶质瘤分检装置 | |
| CN116403076B (zh) | 一种基于dti序列对gbm患者进行风险分层的方法及系统 | |
| CN118588308A (zh) | 一种肝癌类器官的应用数据处理方法 | |
| CN109522974B (zh) | 提高穿刺活检阳性率的病灶层面选择方法 | |
| Raihana et al. | A Multilevel Deep Learning Model for earlier diagnosis of Covid-19 using CNN-LSTM |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
| RJ01 | Rejection of invention patent application after publication |