CN112927795B - 基于bagging算法的乳腺癌预测系统 - Google Patents

基于bagging算法的乳腺癌预测系统 Download PDF

Info

Publication number
CN112927795B
CN112927795B CN202110203468.0A CN202110203468A CN112927795B CN 112927795 B CN112927795 B CN 112927795B CN 202110203468 A CN202110203468 A CN 202110203468A CN 112927795 B CN112927795 B CN 112927795B
Authority
CN
China
Prior art keywords
breast cancer
model
prediction
data
models
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
Application number
CN202110203468.0A
Other languages
English (en)
Other versions
CN112927795A (zh
Inventor
余之刚
何勇
刘丽媛
考春雨
王斐
杨芙
范叶叶
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110203468.0A priority Critical patent/CN112927795B/zh
Publication of CN112927795A publication Critical patent/CN112927795A/zh
Application granted granted Critical
Publication of CN112927795B publication Critical patent/CN112927795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于乳腺癌预测技术领域，尤其涉及基于bagging算法的乳腺癌预测方法，病例‑对照数据收集：基于乳腺癌防治相关知识设计调查问卷，问卷包含被认为对乳腺癌有影响的特征变量，通过该问卷收集来自中国三省一市25‑70岁122058名女性的乳腺疾病流行病学研究数据，记录病例‑对照数据备份，数据处理：对问卷收集来的数据进行数据清洗，删除重复信息以及缺失值或异常值过多的无效样本和特征变量。该基于bagging算法的乳腺癌预测方法，通过集成学习建立了一个有效的预测乳腺癌患病风险的模型，帮助医护人员预测处于乳腺癌的患者，及时并准确地对高危人群采取针对性的措施，这将有助于乳腺癌的辅助诊断和预防，为智能诊断作出贡献。

Description

基于bagging算法的乳腺癌预测系统
技术领域
本发明涉及乳腺癌预测技术领域，具体为基于bagging算法的乳腺癌预测系统。
背景技术
恶性肿瘤(癌症)已经成为严重威胁中国人群健康的主要公共卫生问题之一，其中乳腺癌为女性癌症之首。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。由于地区分布不均衡，乳腺癌防控形势严峻，防治难度巨大。因此，筛查重要影响因素，建立乳腺癌风险评估模型，预测乳腺癌发生概率，对乳腺癌的防治具有重要意义。常用乳腺癌风险模型包括：BOADICEA、BRCAPRO、BCRAT和IBIS。BOADICEA基于2785个家系进行更新，分离出537个BRCA1或BRCA2突变，能够针对多基因多癌症进行风险评估。BRCAPRO模型基于301个BRCA基因突变检测家族的数据，对基因外显功能进行了调整，充分考虑了家族史的重要性，但是忽略了Gail模型涉及的非家族史信息。Gail模型在1989年首次提出，是目前最为精确、权威、常用的乳腺癌风险评估模型。BCRAT模型即为改良Gail模型，目前也被美国癌症研究所(NCI)采用，作为乳腺癌风险评估工具模型。IBIS模型也称Tyrer-Cuzick模型，能够评估具有非典型增生的女性未来10年发展为乳腺癌的概率，但在个体层面上不能明确区分是否发生浸润性乳腺癌，显著高估了非典型妇女乳腺癌的风险。由于基因序列检测成本较高，考虑到医疗资源有限，特别是在我国农村地区，迫切需要一种适合一般人群筛查的风险预测模型。
近年来，机器学习算法在医疗领域的应用频率和研究深度增长迅速，已经有学者应用机器学习算法实现对部分疾病患病率的预测，且效果显著，集成学习是机器学习算法中较有特点的一类，它是按照将弱分类器集成为强分类器的思路来组合基础模型，集成学习模型除了在稳定性和泛化能力上相比传统模型表现突出，在最终的预测准确率上也相对较高。
疾病预测在根据真实数据建模的过程中，往往会遇到数据质量差、缺失值较多等问题，在数据预处理过程中，选择怎样的处理方式将使预测精度最高的问题；使用bagging集成学习框架并加以改进，以解决样本标签不足可能会产生的过拟合问题，并使融合后的模型较其他经典模型性能表现更好，同时筛选重要特征变量，使得预测模型在不损失预测精度的前提下得以简化，降低计算的复杂度。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了使用bagging集成学习框架并加以改进，以解决样本标签不足可能会产生的过拟合问题，并使融合后的模型较其他经典模型性能表现更好的问题，同时筛选重要特征变量，使得预测模型在不损失预测精度的前提下得以简化，降低计算的复杂度等优点，解决了疾病预测在根据真实数据建模的过程中，往往会遇到数据质量差、缺失值较多等问题，在数据预处理过程中，选择怎样的处理方式将使预测精度最高的问题。
(二)技术方案
为实现上述预测模型在不损失预测精度的前提下得以简化、降低计算的复杂度等目的，解决疾病预测在根据真实数据建模的过程中，往往会遇到数据质量差、缺失值较多等问题，本发明提供如下技术方案：基于bagging算法的乳腺癌预测系统，包括处理单元，处理单元执行以下步骤：
S1、病例-对照数据收集
基于乳腺癌防治相关知识设计调查问卷，问卷包含被认为对乳腺癌有影响的特征变量，通过该问卷收集来自中国三省一市122058名25-70岁女性乳腺疾病的流行病学研究数据，记录病例-对照数据备份。
S2、数据处理
对问卷收集来的数据进行数据清洗，删除重复信息以及缺失值或异常值过多的无效样本和特征变量，选取合适的统一指标填充其余缺失值，处理后的全部特征变量作为模型的输入变量。
S3、简单预测模型构建
将步骤S2、数据处理中得到的样本数据集划分为样本训练集和样本验证集；对于样本训练集，通过bootstrap法采样获得T个采样集，分别建立惩罚逻辑回归乳腺癌预测模型，并分别对样本验证集进行预测。
S4、模型融合
在步骤S3、简单预测模型构建中，使用简单平均法，对T个惩罚逻辑回归乳腺癌预测模型得到的回归结果进行算术平均作为最终模型输出的乳腺癌预测概率，训练出最终预测模型。
S5、筛选重要特征变量
根据步骤S3、简单预测模型构建中的T个惩罚逻辑回归乳腺癌预测模型得到的每个特征变量的回归系数，使用合适的方式给予每个特征变量一个得分，根据得分，筛选出对乳腺癌预测影响最大的几个特征变量，来构成特征子集，作为模型的又一输入变量，重复步骤S3、S4，得到预测效果好且计算复杂度低的简化模型。
S6、融合模型与其他经典模型预测性能分析与对比
由步骤S2、数据处理中得到的样本训练集训练其他经典预测模型：Gail’s逻辑回归模型、BCRAM，将步骤S4、模型融合中的预测结果与其他两种经典预测模型预测结果进行汇总，对AUC值进行比较，验证融合模型的预测表现是否优于其他模型。
优选的，所述步骤S1中在问卷调查过程中，可以将被调查人员的包含到不同的年龄阶段，且被调查人员不单单为女性，也可为男性。
优选的，所述步骤S2中将处理后的全部特征变量作为模型输入变量前，将处理后的数据进行重新备份，备份后直接收录在山东大学第二医院乳腺癌外科专病数据库内。
优选的，所述步骤S4中，将得到的最终预测模型和乳腺癌预测模型进行融合，将模型数据参数进行调优，在得到最终预测效果最好的模型。
优选的，所述步骤S5中，依据T个惩罚逻辑回归乳腺癌预测模型得到的每个特征变量的回归系数，得出每个特征变量作为筛选后变量的次数作为得分；并依据迭代次数和特征数目参数给定适当阈值，得分高于阈值的特征作为重要特征变量。
优选的，所述步骤S6中，T个惩罚逻辑回归乳腺癌预测模型融合的模型和其他经典模型的预测结果进行汇总，比较AUC值，验证融合模型是否优于其他经典模型。
(三)有益效果
与现有技术相比，本发明提供了基于bagging算法的乳腺癌预测系统，具备以下有益效果：
1、该基于bagging算法的乳腺癌预测系统，通过集成学习建立一个有效的预测乳腺癌患病风险的模型，帮助医护人员预测处于乳腺癌的患者，及时并准确地对高危人群采取针对性的措施，这将有助于乳腺癌的辅助诊断和预防，为智能诊断作出贡献。
2、该基于bagging算法的乳腺癌预测系统，通过对缺失值及冗余值进行处理，首先基于全部对乳腺癌有影响的特征变量利用bagging集成学习框架得到一个乳腺癌的预测模型，并通过实验检验融合后的乳腺癌预测模型是否比其他经典模型预测的预测性能更好，泛化能力更强；同时筛选重要特征变量，使得预测模型在不损失预测精度的前提下得以简化，降低计算的复杂度。
3、该基于bagging算法的乳腺癌预测系统，通过bagging算法建立乳腺癌预测模型。集成学习算法是机器学习众多算法的一种，是一种将弱分类器提升为强分类器的算法，Bagging是并行式集成学习方法的代表，该方法采用bootstrap随机重采样方法构成若干训练子集，对每个训练子集构建基分类器，再将这些基分类器的输出结果采用简单投票法进行结合。本课题采用了惩罚逻辑回归模型训练基分类器，与和本次研究的样本特点契合，即病例样本为小样本，多分类且数据缺失情况较严重。
附图说明
图1为本发明整体流程示意图。
具体实施方式
下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：基于bagging算法的乳腺癌预测系统，包括处理单元，处理单元执行以下步骤：
S1、病例-对照数据收集
基于乳腺癌防治相关知识设计调查问卷，问卷包含被认为对乳腺癌有影响的特征变量，通过该问卷收集来自中国三省一市122058名女性乳腺疾病的流行病学研究数据，记录病例-对照数据备份，在问卷调查过程中，可以将被调查人员的包含到不同的年龄阶段，且被调查人员不单单为女性，也可为男性。
S2、数据处理
对问卷收集来的数据进行数据清洗，删除重复信息以及缺失值或异常值过多的无效样本和特征变量，选取合适的统一指标填充其余缺失值，处理后的全部特征变量作为模型的输入变量。将处理后的全部特征变量作为模型输入变量前，将处理后的数据进行重新备份，备份后直接收录在山东大学第二医院乳腺癌外科专病数据库内。
S3、简单预测模型构建
将步骤S2、数据处理中得到的样本数据集划分为样本训练集和样本验证集；对于样本训练集，通过bootstrap法采样获得T个采样集，分别建立惩罚逻辑回归乳腺癌预测模型，并分别对样本验证集进行预测。
S4、模型融合
在步骤S3、简单预测模型构建中，通过使用简单平均法，对T个惩罚逻辑回归乳腺癌预测模型得到的回归结果进行算术平均作为最终模型输出的乳腺癌预测概率，从而将得到的T个惩罚逻辑回归模型乳腺癌预测模型进行融合，再将模型数据参数进行调优，得到最终预测效果最好的模型。
S5、筛选重要特征变量
根据步骤S3、简单预测模型构建中的T个惩罚逻辑回归乳腺癌预测模型得到的每个特征变量的回归系数，使用合适的方式给予每个特征变量一个得分，根据得分，筛选出对乳腺癌预测影响最大的几个特征变量，来构成特征子集，作为模型的又一输入变量，重复步骤S3、S4，得到预测效果好且计算复杂度低的简化模型，依据T个惩罚逻辑回归乳腺癌预测模型得到的每个特征变量的回归系数，得出每个特征变量作为筛选后变量的次数作为得分；并依据迭代次数和特征数目参数给定适当阈值，得分高于阈值的特征作为重要特征变量。。
S6、融合模型与其他经典模型预测性能分析与对比
由步骤S2、数据处理中得到的样本训练集训练其他经典预测模型：Gail’s逻辑回归模型、BCRAM，将步骤S4、模型融合中的预测结果与其他两种经典预测模型预测结果进行汇总，对AUC值进行比较，验证融合模型的预测表现是否优于其他模型。
该基于bagging算法的乳腺癌预测系统，通过集成学习建立一个有效的预测乳腺癌患病风险的模型，帮助医护人员预测处于乳腺癌的患者，及时并准确地对高危人群采取针对性的措施，这将有助于乳腺癌的辅助诊断和预防，为智能诊断作出贡献，通过对缺失值及冗余值进行处理，首先基于全部对乳腺癌有影响的特征变量利用bagging集成学习框架得到一个乳腺癌的预测模型，并通过实验检验融合后的乳腺癌预测模型是否比其他经典模型预测的预测性能更好，泛化能力更强；同时筛选重要特征变量，使得预测模型在不损失预测精度的前提下得以简化，降低计算的复杂度；通过集成学习bagging算法建立乳腺癌预测模型。集成学习算法是机器学习众多算法的一种，是一种将弱分类器提升为强分类器的算法，Bagging是并行式集成学习方法的代表，该方法采用bootstrap随机重采样方法构成若干训练子集，对每个训练子集构建基分类器，再将这些基分类器的输出结果采用简单投票法进行结合。本课题采用了惩罚逻辑回归模型训练基分类器，与和本次研究的样本特点契合，即病例样本为小样本，多分类且数据缺失情况较严重。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.基于bagging算法的乳腺癌预测系统，其特征在于，包括处理单元，处理单元执行以下步骤：
S1、病例-对照数据收集
基于乳腺癌防治相关知识设计调查问卷，问卷包含被认为对乳腺癌有影响的特征变量，通过该问卷收集来自中国三省一市122058名25-70岁女性的真实数据，记录病例-对照数据备份；
S2、数据处理
对问卷收集来的数据进行数据清洗，删除重复信息以及缺失值或异常值过多的无效样本和特征变量，选取合适的统一指标填充其余缺失值，处理后的全部特征变量作为模型的输入变量；
S3、简单预测模型构建
将步骤S2、数据处理中得到的样本数据集划分为样本训练集和样本验证集；对于样本训练集，通过bootstrap法采样获得T个采样集，分别建立惩罚逻辑回归乳腺癌预测模型，并分别对样本验证集进行预测；
S4、模型融合
在步骤S3、简单预测模型构建中，使用简单平均法，对T个惩罚逻辑回归乳腺癌预测模型得到的回归结果进行算术平均作为最终模型输出的乳腺癌预测概率，训练出最终预测模型；
S5、筛选重要特征变量
根据步骤S3、简单预测模型构建中的T个惩罚逻辑回归乳腺癌预测模型得到的每个特征变量的回归系数，使用合适的方式给予每个特征变量一个得分，根据得分，筛选出对乳腺癌预测影响最大的几个特征变量，来构成特征子集，作为模型的又一输入变量，重复步骤S3、S4，得到预测效果好且计算复杂度低的简化模型；
S6、融合模型与其他经典模型预测性能分析与对比
由步骤S2、数据处理中得到的样本训练集训练其他经典预测模型：Gail’s逻辑回归模型、BCRAM，将步骤S4、模型融合中的预测结果与其他两种经典预测模型预测结果进行汇总，对AUC值进行比较，验证融合模型的预测表现是否优于其他模型；
所述步骤S4中，将得到的T个惩罚逻辑回归乳腺癌预测模型进行融合，将模型数据参数进行调优，再得到最终预测效果最好的模型；
所述步骤S5中，依据T个惩罚逻辑回归乳腺癌预测模型得到的每个特征变量的回归系数，得出每个特征变量作为筛选后变量的次数作为得分；并依据迭代次数和特征数目参数给定适当阈值，得分高于阈值的特征作为重要特征变量；
所述步骤S6中，将T个惩罚逻辑回归乳腺癌预测模型融合的模型和其他经典模型的预测结果进行汇总，比较AUC值，验证融合模型是否优于其他经典模型；
所述步骤S1中在问卷调查过程中，将被调查人员的包含到不同的年龄阶段，且被调查人员不单单为女性，也可为男性。
2.根据权利要求1所述的基于bagging算法的乳腺癌预测系统，其特征在于，所述步骤S2中将处理后的全部特征变量作为模型输入变量前，将处理后的数据进行重新备份，备份后直接收录在山东大学第二医院乳腺癌外科专病数据库内。
CN202110203468.0A 2021-02-23 2021-02-23 基于bagging算法的乳腺癌预测系统 Active CN112927795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110203468.0A CN112927795B (zh) 2021-02-23 2021-02-23 基于bagging算法的乳腺癌预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110203468.0A CN112927795B (zh) 2021-02-23 2021-02-23 基于bagging算法的乳腺癌预测系统

Publications (2)

Publication Number Publication Date
CN112927795A CN112927795A (zh) 2021-06-08
CN112927795B true CN112927795B (zh) 2022-09-23

Family

ID=76170542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110203468.0A Active CN112927795B (zh) 2021-02-23 2021-02-23 基于bagging算法的乳腺癌预测系统

Country Status (1)

Country Link
CN (1) CN112927795B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141360A (zh) * 2021-12-02 2022-03-04 山东大学 基于惩罚cox回归的乳腺癌预测方法
CN116364268B (zh) * 2022-11-01 2023-11-17 山东大学 一种新型基于惩罚cox回归的乳腺癌预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107201401A (zh) * 2017-05-23 2017-09-26 深圳市第二人民医院 一种用于乳腺癌发病风险预测的多因素模型及其建立方法
CN107574243A (zh) * 2016-06-30 2018-01-12 博奥生物集团有限公司 分子标志物、内参基因及其应用、检测试剂盒以及检测模型的构建方法
CN111161882A (zh) * 2019-12-04 2020-05-15 深圳先进技术研究院 一种基于深度神经网络的乳腺癌生存期预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7514209B2 (en) * 2001-06-18 2009-04-07 Rosetta Inpharmatics Llc Diagnosis and prognosis of breast cancer patients
WO2005111625A2 (en) * 2004-05-11 2005-11-24 Baylor College Of Medicine Method to predict prostate cancer
CN108573753A (zh) * 2018-04-26 2018-09-25 葛晓雪 一种融合Bagging的XGboost慢性肾病分期预测算法
CN112185555A (zh) * 2020-09-10 2021-01-05 北京工业大学 基于stacking算法的妊娠糖尿病预测方法
CN112201318A (zh) * 2020-09-28 2021-01-08 无锡市第五人民医院 实验室指标模型在covid-19患者危险分层中的应用方法
CN112259221A (zh) * 2020-10-21 2021-01-22 北京大学第一医院 基于多种机器学习算法的肺癌诊断系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107574243A (zh) * 2016-06-30 2018-01-12 博奥生物集团有限公司 分子标志物、内参基因及其应用、检测试剂盒以及检测模型的构建方法
CN107201401A (zh) * 2017-05-23 2017-09-26 深圳市第二人民医院 一种用于乳腺癌发病风险预测的多因素模型及其建立方法
CN111161882A (zh) * 2019-12-04 2020-05-15 深圳先进技术研究院 一种基于深度神经网络的乳腺癌生存期预测方法

Also Published As

Publication number Publication date
CN112927795A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN112927795B (zh) 基于bagging算法的乳腺癌预测系统
CN110246577B (zh) 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法
WO2021190300A1 (zh) Ai慢性肾病风险筛查建模方法、慢性肾病风险筛查方法及系统
CN107247887A (zh) 基于人工智能帮助肺癌筛查的方法及系统
CN111767952B (zh) 一种可解释的肺结节良恶性分类方法
CN109887600A (zh) 一种对非小细胞肺癌预后生存情况的分析方法
CN115376706B (zh) 一种基于预测模型的乳腺癌药物方案的预测方法及装置
CN112530592A (zh) 一种基于机器学习的非小细胞肺癌风险预测方法
CN113903450A (zh) 一种2型糖尿病风险预测模型的构建系统
CN113539473A (zh) 一种仅使用血常规检验数据诊断布氏杆菌病的方法及系统
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
Tyassari et al. Classification of cervical precancerous cell of ThinPrep images based on deep learning model AlexNet and InceptionV3
CN115206532A (zh) 一种基于决策树的乳腺肿瘤预测方法及系统
CN112562851B (zh) 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统
CN115662635A (zh) 一种对放射性肺炎建立联合回归预测模型的方法
CN114141360A (zh) 基于惩罚cox回归的乳腺癌预测方法
CN114983341A (zh) 基于多模态特征融合的阿尔茨海默病多分类预测系统
Zhang et al. CapsNet-COVID19: Lung CT image classification method based on CapsNet model
CN113379724A (zh) 一种基于曲面断层片及深度学习的年龄推断系统及方法
CN116473514B (zh) 基于足底压力的自适应有向时空图神经网络的帕金森疾病检测方法
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
CN117197434B (zh) 基于AMFNet网络融合模型的肺部医学影像精准识别方法
CN116168850B (zh) 一种计算甲状腺癌患者摄碘特征概率的方法和装置
Guo et al. Glioma grading method based on graph convolutional network
Al-Barzinji Diagnosis lung cancer disease using machine learning techniques

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