CN113130077A - 基于人工神经网络的卵巢功能年龄评估方法和装置 - Google Patents
基于人工神经网络的卵巢功能年龄评估方法和装置 Download PDFInfo
- Publication number
- CN113130077A CN113130077A CN202110480265.6A CN202110480265A CN113130077A CN 113130077 A CN113130077 A CN 113130077A CN 202110480265 A CN202110480265 A CN 202110480265A CN 113130077 A CN113130077 A CN 113130077A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- ovarian
- age
- female
- 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.)
- Withdrawn
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 178
- 210000001672 ovary Anatomy 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002611 ovarian Effects 0.000 claims abstract description 157
- 230000006870 function Effects 0.000 claims abstract description 125
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012216 screening Methods 0.000 claims description 14
- 102000012673 Follicle Stimulating Hormone Human genes 0.000 claims description 12
- 108010079345 Follicle Stimulating Hormone Proteins 0.000 claims description 12
- 102100030173 Muellerian-inhibiting factor Human genes 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 229940028334 follicle stimulating hormone Drugs 0.000 claims description 10
- 102000009151 Luteinizing Hormone Human genes 0.000 claims description 9
- 108010073521 Luteinizing Hormone Proteins 0.000 claims description 9
- 108010067479 inhibin B Proteins 0.000 claims description 8
- 229940040129 luteinizing hormone Drugs 0.000 claims description 7
- VOXZDWNPVJITMN-ZBRFXRBCSA-N 17β-estradiol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@H](CC4)O)[C@@H]4[C@@H]3CCC2=C1 VOXZDWNPVJITMN-ZBRFXRBCSA-N 0.000 claims description 5
- 229960005309 estradiol Drugs 0.000 claims description 5
- 229930182833 estradiol Natural products 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 108010005853 Anti-Mullerian Hormone Proteins 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000000868 anti-mullerian hormone Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 229940088597 hormone Drugs 0.000 description 7
- 239000005556 hormone Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 3
- 238000003556 assay Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 108010004250 Inhibins Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 239000000893 inhibin Substances 0.000 description 2
- ZPNFWUPYTFPOJU-LPYSRVMUSA-N iniprol Chemical compound C([C@H]1C(=O)NCC(=O)NCC(=O)N[C@H]2CSSC[C@H]3C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@H](C(N[C@H](C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=4C=CC(O)=CC=4)C(=O)N[C@@H](CC=4C=CC=CC=4)C(=O)N[C@@H](CC=4C=CC(O)=CC=4)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CSSC[C@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C)NC(=O)[C@H](CO)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC=4C=CC=CC=4)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC2=O)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CSSC[C@H](NC(=O)[C@H](CC=2C=CC=CC=2)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H]2N(CCC2)C(=O)[C@@H](N)CCCNC(N)=N)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N2[C@@H](CCC2)C(=O)N2[C@@H](CCC2)C(=O)N[C@@H](CC=2C=CC(O)=CC=2)C(=O)N[C@@H]([C@@H](C)O)C(=O)NCC(=O)N2[C@@H](CCC2)C(=O)N3)C(=O)NCC(=O)NCC(=O)N[C@@H](C)C(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](CC=2C=CC=CC=2)C(=O)N[C@H](C(=O)N1)C(C)C)[C@@H](C)O)[C@@H](C)CC)=O)[C@@H](C)CC)C1=CC=C(O)C=C1 ZPNFWUPYTFPOJU-LPYSRVMUSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- GKIRPKYJQBWNGO-OCEACIFDSA-N clomifene Chemical compound C1=CC(OCCN(CC)CC)=CC=C1C(\C=1C=CC=CC=1)=C(\Cl)C1=CC=CC=C1 GKIRPKYJQBWNGO-OCEACIFDSA-N 0.000 description 1
- 229960003608 clomifene Drugs 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009802 hysterectomy Methods 0.000 description 1
- 238000011337 individualized treatment Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005906 menstruation Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000025661 ovarian cyst Diseases 0.000 description 1
- 230000011599 ovarian follicle development Effects 0.000 description 1
- 210000003101 oviduct Anatomy 0.000 description 1
- 230000027758 ovulation cycle Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000011282 treatment Methods 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于人工神经网络的卵巢功能年龄评估方法和装置,其中,方法包括:获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出待测女性的卵巢年龄;其中,训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。本发明可以实现对卵巢生物学年龄的准确评估,满足临床应用对特异度和灵敏度的要求。
Description
技术领域
本发明涉及智能计算技术领域,尤其涉及一种基于人工神经网络的卵巢功能年龄评估方法和装置。
背景技术
卵巢的生物学年龄,是指以卵巢的功能状态为评价指标来界定卵巢的状态。它与个体的实际年龄未必等价。随着时间的推移,卵巢的衰老速度不同,个体呈现出的卵巢的功能状态也不相同。这除了与年龄有关,也可以与基因、环境等因素有关,还可以是由病理性因素导致的。
目前,临床使用的卵巢生物学年龄评估方法包括:激素水平测定,例如,卵泡刺激素(Follicle stimulating hormone,简称FSH)、雌二醇(Estradiol,E2)、抗缪勒管激素(Anti-Mullerian Hormone,简称AMH)、抑制素B(inhibin B)等;超声影像学检测,例如,窦卵泡数(Antral Follicle Counting,简称AFC)、卵巢体积(Ovarian volume)、卵巢基质血流等;卵巢储备功能动态检测试验,例如,氯米芬刺激实验(CCCT)、外源性FSH卵巢储备试验等;基因检测。
可见,目前的卵巢生物学年龄评估多基于单一的评估指标进行评估,例如,内分泌学指标AMH、FSH、E2等,影像学指标AFC、OV等,单一的评估指标难以获得临床应用满意的特异度和灵敏度。
发明内容
本发明提供一种基于人工神经网络的卵巢功能年龄评估方法和装置,用以解决现有技术中采用单一的评估指标对卵巢的生物学年龄进行评估的缺陷,可以实现对卵巢生物学年龄的准确评估,满足临床应用对特异度和灵敏度的要求。
第一方面,本发明提供一种基于人工神经网络的卵巢功能年龄评估方法,包括:
获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;
将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络(Artificial Neural Network,简称ANN)进行处理,输出所述待测女性的卵巢年龄;其中,所述训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
根据本发明提供的一种基于人工神经网络的卵巢功能年龄评估方法,还包括:
将健康女性样本集中女性样本与卵巢功能相关的目标指标的信息输入所构建的人工神经网络,根据女性样本对应的实际年龄标签对所述人工神经网络进行训练,得到所述训练好的人工神经网络。
根据本发明提供的一种基于人工神经网络的卵巢功能年龄评估方法,对所述人工神经网络进行训练,包括:
将所述健康女性样本集分划为训练集和测试集;
将所述训练集中女性样本与卵巢功能相关的目标指标的信息输入所述人工神经网络,根据女性样本对应的实际年龄标签对所述人工神经网络的参数进行调整;
将所述测试集中女性样本与卵巢功能相关的目标指标的信息输入调整参数后的人工神经网络,根据女性样本对应的实际年龄标签对所述调整参数后的人工神经网络进行测试;
根据所述调整参数后的人工神经网络在所述测试集上的测试结果,确定所述训练好的人工神经网络。
根据本发明提供的一种基于人工神经网络的卵巢功能年龄评估方法,对所述人工神经网络进行训练之前,还包括:
根据所述健康女性样本集与卵巢功能相关的指标的信息,基于最小绝对值收敛和选择算子,对所述与卵巢功能相关的指标进行筛选,得到所述与卵巢功能相关的目标指标;
将所得到的与卵巢功能相关的目标指标的信息作为输入量,将所述卵巢年龄作为输出量,构建所述人工神经网络。
根据本发明提供的一种基于人工神经网络的卵巢功能年龄评估方法,所述与卵巢功能相关的目标指标包括:身高体重指数BMI、抗缪勒管激素AMH、抑制素B、卵泡刺激素FSH、黄体生成素LH、雌二醇E2和窦卵泡数AFC。
根据本发明提供的一种基于人工神经网络的卵巢功能年龄评估方法,所述训练好的人工神经网络为前馈型神经网络,包括输入层、隐藏层和输出层,所述输入层包括七个神经元,所述隐藏层包括第一隐藏层和第二隐藏层,所述第一隐藏层包括五个神经元,所述第二隐藏层包括二个神经元,所述输出层包括一个神经元。
第二方面,本发明还提供一种基于人工神经网络的卵巢功能年龄评估装置,包括:
获取模块,用于获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;
评估模块,用于将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出所述待测女性的卵巢年龄;其中,所述训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
根据本发明提供的一种基于人工神经网络的卵巢功能年龄评估装置,还包括:
训练模块,用于将健康女性样本集中女性样本与卵巢功能相关的目标指标的信息输入所构建的人工神经网络,根据女性样本对应的实际年龄标签对所述人工神经网络进行训练,得到所述训练好的人工神经网络。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于人工神经网络的卵巢功能年龄评估方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于人工神经网络的卵巢功能年龄评估方法的步骤。
本发明提供一种基于人工神经网络的卵巢功能年龄评估方法和装置,通过获取待测女性与卵巢功能相关的目标指标的信息,将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出待测女性的卵巢年龄;其中,与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到;本发明利用人工神经网络结合生理学、内分泌学、影像学指标对卵巢的生物学年龄进行评估,可以获得准确的评估结果,满足临床应用对特异度和灵敏度的要求。
附图说明
图1是本发明提供的基于人工神经网络的卵巢功能年龄评估方法的流程示意图;
图2是本发明提供的获得训练好的人工神经网络的流程示意图;
图3是本发明提供的进行指标筛选的示意图;
图4是本发明提供的人工神经网络的权重值的示意图;
图5是本发明提供的人工神经网络的训练过程的示意图;
图6是本发明提供的人工神经网络对不同年龄人群卵巢年龄的平均绝对误差值分布的示意图;
图7是三种方法十折法交互验证迭代后所得均方误差值分布的示意图;
图8是本发明提供的基于人工神经网络的卵巢功能年龄评估装置的结构示意图;
图9是本发明提供的一种电子设备的实体结构示意图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例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作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,图1是本发明提供的基于人工神经网络的卵巢功能年龄评估方法的流程示意图,该基于人工神经网络的卵巢功能年龄评估方法可以由基于人工神经网络的卵巢功能年龄评估装置执行,该基于人工神经网络的卵巢功能年龄评估装置设置于电子设备,例如,基于人工神经网络的卵巢功能年龄评估装置可以是应用软件(Application,简称App),电子设备可以是移动终端或者固定终端,本发明实施例对基于人工神经网络的卵巢功能年龄评估装置和电子设备的类型不作限定,如图1所示,该基于人工神经网络的卵巢功能年龄评估方法,至少包括:
101,获取待测女性与卵巢功能相关的目标指标的信息;其中,与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标。
在本发明实施例中,与卵巢功能相关的目标指标可以包括生理学、内分泌学、影像学等与卵巢功能相关的指标,例如,身高体重指数(Body Mass Index,简称BMI)、抗缪勒管激素、抑制素B、卵泡刺激素、黄体生成素(Luteinizing hormone,简称LH)、雌二醇和窦卵泡数等,本发明实施例对与卵巢功能相关的目标指标的类型不作限定。
在本发明实施例中,待测女性与卵巢功能相关的目标指标的信息可以从待测女性常规妇科检查、激素水平检测以及妇科超声检查的结果中获取。例如,可以由卵巢年龄评估装置根据待测女性的基本信息,例如姓名、年龄等,从待测女性常规妇科检查、激素水平检测以及妇科超声检查的结果中获取与卵巢功能相关的目标指标的信息。本发明实施例对获取待测女性与卵巢功能相关的目标指标的信息的实现方式不作限定。
102,将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出待测女性的卵巢年龄;其中,训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
在本发明实施例中,在获取待测女性与卵巢功能相关的目标指标的信息后,可以将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络,由训练好的人工神经网络中的神经元对与卵巢功能相关的目标指标的信息进行计算,得到待测女性的卵巢年龄,即卵巢的生物学年龄,并输出,例如,在移动终端或者固定终端的应用软件的界面上显示卵巢年龄。其中,所得到的卵巢的生物学年龄可以与待测女性的实际年龄相同,也可以与待测女性的实际年龄不同,例如,卵巢的生物学年龄可以大于待测女性的实际年龄,或者卵巢的生物学年龄可以小于待测女性的实际年龄。
在本发明实施例中,可以以符合统计学意义数量的健康女性构建样本集,可以认为这类女性卵巢的生物学年龄等于实际年龄,因此可以将实际年龄作为样本集中样本的标签,可以通过样本集中健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签,对所构建的人工神经网络进行训练,得到训练好的人工神经网络。可选地,可以直接将训练好的人工神经网络设置于卵巢年龄评估装置中,利用训练好的人工神经网络对待测女性的卵巢年龄进行评估;或者,也可以在卵巢年龄评估装置中构建并训练人工神经网络,得到训练好的人工神经网络,进而利用训练好的人工神经网络对待测女性的卵巢年龄进行评估。本发明实施例对获得训练好的人工神经网络的方式不作限定。
本发明提供的基于人工神经网络的卵巢功能年龄评估方法,通过获取待测女性与卵巢功能相关的目标指标的信息,将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出待测女性的卵巢年龄;其中,与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到;本发明利用人工神经网络结合生理学、内分泌学、影像学指标对卵巢的生物学年龄进行评估,可以获得准确的评估结果,满足临床应用对特异度和灵敏度的要求。可以在准确确定卵巢的生物学年龄或者卵巢的储备功能的基础上,对卵巢的衰老进行预警,对女性卵巢功能进行划分,以便及时采取措施进行预防与治疗,有利于根据女性的年龄和生育需求等制定个体化的治疗或随访方案。尤其是在我国逐渐加重的老龄化社会的严峻形式,高质量的卵巢功能评估具有重大的意义。
请参阅图2,图2是本发明提供的获得训练好的人工神经网络的流程示意图,如图2所示,获得训练好的人工神经网络,至少包括:
201,根据健康女性样本集与卵巢功能相关的指标的信息,基于最小绝对值收敛和选择算子,对与卵巢功能相关的指标进行筛选,得到与卵巢功能相关的目标指标。
在本发明实施例中,由于生理学、内分泌学、影像学等与卵巢功能相关的指标众多,因此在构建人工神经网络通过与卵巢功能相关的指标对卵巢年龄进行评估之前,需要对众多与卵巢功能相关的指标进行筛选,获得对卵巢的状态评价起主要作用的指标,即与卵巢功能相关的目标指标。
在以健康女性构建样本集时,可以获取样本集中女性样本实际年龄和生理学、内分泌学、影像学等与卵巢功能相关的所有指标的信息,例如,可以从样本集中女性样本常规妇科检查、激素水平检测以及妇科超声检查的结果中获取与卵巢功能相关的所有指标的信息,根据所获取的样本集中女性样本与卵巢功能相关的所有指标的信息,通过最小绝对值收敛和选择算子(Least absolute shrinkage and selection operator,简称Lasso),对与卵巢功能相关的所有指标进行筛选,得到与卵巢功能相关的目标指标,例如,通过Lasso回归进行筛选得到的目标指标包括:BMI、AMH、抑制素B、FSH、LH、E2和AFC。
202,将所得到的与卵巢功能相关的目标指标的信息作为输入量,将卵巢年龄作为输出量,构建人工神经网络。
在本发明实施例中,在通过筛选得到与卵巢功能相关的目标指标后,可以将与卵巢功能相关的目标指标的信息作为输入量,将卵巢年龄作为输出量,构建人工神经网络,本发明实施例对构建人工神经网络采用方法不作限定,例如,可以采用R语言中的neuralnet数据包构建人工神经网络。
可选地,所构建的人工神经网络可以为前馈型神经网络,在前馈型神经网络中神经元是分层排列的,每个神经元只与前一层的神经元相连,接收前一层的输出,并输出给下一层.各层之间没有反馈,输入层与输出层与外界连接,其他中间层称为隐藏层。由于具有两个隐藏层的前馈型神经网络可以表示任意的非线性决策边界,因此在构建人工神经网络时可以设定隐藏层的数量为二个,并根据经验公式结合反复试验法确定第一隐藏层和第二隐藏层神经元的数量。
例如,当通过Lasso回归进行筛选确定目标指标包括:BMI、AMH、抑制素B、FSH、LH、E2和AFC时,所构建的前馈型神经网络的输入层可以包括七个神经元,隐藏层可以包括第一隐藏层和第二隐藏层,第一隐藏层可以包括五个神经元,第二隐藏层可以包括二个神经元,输出层可以包括一个神经元,隐藏层采用sigmoid函数作为激活函数。其中,激活函数sigmoid将输出压缩为0至1之间的数值,使得函数具有逻辑函数的性质。该函数的公式定义为:f(x)=1/(1+e^(-x))。
203,将健康女性样本集中女性样本与卵巢功能相关的目标指标的信息输入所构建的人工神经网络,根据女性样本对应的实际年龄标签对人工神经网络进行训练,得到训练好的人工神经网络。
在本发明实施例中,对于典型的人工神经网络,下一层神经元的输入是上一层神经元的输出,如果神经元的输入为xi,在构建人工神经网络时为它们设定的权重为wi,偏差为b,则神经元的输出y表示为:y=∑xiwi+b,其中,可以将权重wi和偏差b称为人工神经网络的参数。在构建人工神经网络后,需要通过对人工神经网络进行训练,对最初设定的人工神经网络参数,即权重和偏差,进行调整,从而得到符合应用目的的人工神经网络,即训练好的人工神经网络。
可选地,在对人工神经网络进行训练时,可以首先将所构建的健康女性样本集随机分划为训练集和测试集,其中,训练集和测试集中样本的数量可以相同或者不同;然后将训练集中女性样本与卵巢功能相关的目标指标的信息输入人工神经网络,根据女性样本对应的实际年龄标签对人工神经网络的参数进行调整,例如,可以利用梯度下降(GradientDescent)法,通过反向传播(Backpropagation,简称BP),经过有限次的迭代,实现对人工神经网络参数的调整;之后将测试集中女性样本与卵巢功能相关的目标指标的信息输入调整参数后的人工神经网络,根据女性样本对应的实际年龄标签对调整参数后的人工神经网络进行测试;最后根据调整参数后的人工神经网络在测试集上的测试结果,即准确度,确定训练好的人工神经网络。
下面结合实施例1至实施例3的应用场景对本发明提供的基于人工神经网络的卵巢功能年龄评估方法进行说明。
实施例1样本集的筛选与指标的分布
根据样本集的筛选标准,将在2010年10月至2014年12月间,全国七家医院招募的,2055名年龄在20岁至55岁的健康女性志愿者中的,1020名志愿者纳入样本集。样本集的筛选标准:(1)月经周期规律,年龄<40岁为21-35天;(2)过去的6个月无激素用药;(3)无放化疗史;(4)无妇科手术史,例如:子宫切除、输卵管切除等;(5)妇科超声检查无卵巢囊肿及包块;(6)无慢性、系统性代谢及内分泌疾病。
所招募志愿者进行一对一问卷调查,采集基本信息、生育信息、既往病史等。对志愿者进行常规妇科检查、激素水平检测以及妇科超声检查。其中激素水平检测采用月经来潮2-5天内的清晨血样,进行离心后血浆放入-80℃的冰箱保存,为了避免实验室之间的检验差异,所有血样样本均于同一家医院进行最终检测。因数据缺失值问题,仅纳入了AMH、抑制素B、FSH、LH、E2五个检验指标进行研究。所有志愿者彩超均于卵泡期进行检查,妇科超声检查在各大医院彩超室进行,所有超声师均进行严格培训,且监测窦卵泡数采用统一标准,即:双侧卵巢内直径2-10mm的环形或小泡样结构。最终各大医院超声结果未显示明显差异,即P>0.05,多家医院与卵巢功能相关的指标的数据特征如表1所示。
实施例2指标筛选与人工神经网络的构建
采用实施例1中纳入样本集的人群的数据,进行指标的筛选。如图3所示,对样本集中人群所获取的7个指标的数据进行Lasso回归分析,筛选构建人工神经网络的指标,经Lasso回归分析,7个指标的Beta值均不为0,且如表2所示7个指标时具有最小的CP值,故将AMH、抑制素B、FSH、LH、E2、BMI、AFC均作为构建人工神经网络的指标。
表2是Lasso回归获取的CP值
将最终纳入样本集的1020名志愿者进行随机分组,即分成训练集与测试集,其中训练集510名(50%),测试集510名(50%)。在训练集中,志愿者的平均年龄为31.01岁,在测试集中,志愿者的平均年龄为31.28,而对于样本集的人群,志愿者的平均年龄为31.14岁,训练集与测试集的平均年龄以及与卵巢功能相关的指标的数据特征如表3所示。
所构建的人工神经网络的包括输入层、隐藏层和输出层。其中,输入层的神经元的数量根据与卵巢功能相关的7个指标确定,输出层为1个神经元,即卵巢的年龄。如图4所示,所构建的人工神经网络的神经元通过加权连接,为了提高效能,经过多次的调试与测试,增加2个隐藏层,2个隐藏层的神经元的数量经过调试分别采用5个和2个。人工神经网络可以从训练集中每个样本的数据中学习,来调节神经元之间连接的权重,将每个输入与相应的输出连接起来。输入的指标数据从第一层神经元传播到每一层神经元,直到产生输出;然后进行自适应过程,将输出值与期望值进行比较,如果这两个值之间存在差异,会产生一个错误信号,通过反向传播来调节神经元之间连接的权重,以减少网络的总体误差。在学习过程中,人工神经网络的输出值与期望值之间的误差逐渐减小,直至达小于预设阈值,即网络收敛,并通过测试集对收敛的网络进行测试,得到最终的卵巢年龄预测模型,人工神经网络的训练过程如图5所示。在经过上述学习训练过程后,人工神经网络可以根据训练过程中积累的知识,从新的输入数据中产生输出,作为评估的结果。
实施例3人工神经网络的应用以及与其他模型的比较
采用实施例2所构建的人工神经网络,对训练集和测试集中的人群的卵巢年龄进行预测,结果训练集中人群的平均卵巢年龄为31.01岁,预测值与实际值之间的Pearson相关性系数为0.68;测试集中人群的平均卵巢年龄为31.11岁,预测值与实际值之间的Pearson相关性系数为0.56。
采用实施例2得到的卵巢年龄预测模型对训练集和测试集中人群的卵巢年龄进行计算,评估误差绝对值最小的年龄段。结果通过计算平均绝对误差(MAE)值发现,23-37岁的女性,各年龄段预测的MAE值均小于5岁,其中对于27-34岁的女性,各年龄段预测的MAE值均小于3岁,人工神经网络对不同年龄人群卵巢年龄的MAE值分布如图6所示。
采用26、34岁分别作为节点,将人群年龄分为3层,即:20-26岁、27-34岁、>34岁;如表4所示,对于不同年龄段人群人工神经网络得到的卵巢年龄的MAE值分别为4.39、2.33、5.53岁。
表4是针对不同年龄段人群得到的卵巢年龄的MAE值
如表4所示,将本发明得到的人工神经网络与广义线性模型(Generalized LinearModel,简称GLM)、支持向量机(Support Vector Machine,简称SVM)进行比较,发现本发明的人工神经网络的均方误差(MSE)值最小。通过十折交叉验证法,100次迭代后对MSE值进行比较,如图7所示,人工神经网络仍具有最小的MSE值。同时,在年龄分层中,人工神经网络在3个分层中均具有最小MAE值,人工神经网络与其他模型对评估卵巢年龄结果的比较如表5所示。
表5是人工神经网络与其他模型对评估卵巢年龄结果的比较
*P:Pearson相关性系数;MSE:均方误差
下面对本发明提供的卵巢年龄评估装置进行描述,下文描述的卵巢年龄评估装置与上文描述的卵巢年龄评估方法可相互对应参照。
请查阅图8,图8是本发明提供的基于人工神经网络的卵巢功能年龄评估装置的结构示意图,如图8所示,该基于人工神经网络的卵巢功能年龄评估装置800,至少包括:
获取模块810,用于获取待测女性与卵巢功能相关的目标指标的信息;其中,与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标。
评估模块820,用于将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出待测女性的卵巢年龄;其中,训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
可选地,基于人工神经网络的卵巢功能年龄评估装置800,还包括:
训练模块,用于将健康女性样本集中女性样本与卵巢功能相关的目标指标的信息输入所构建的人工神经网络,根据女性样本对应的实际年龄标签对所述人工神经网络进行训练,得到所述训练好的人工神经网络。
可选地,训练模块,包括:
划分单元,用于将健康女性样本集划分为训练集和测试集。
训练单元,用于将训练集中女性样本与卵巢功能相关的目标指标的信息输入所述人工神经网络,根据女性样本对应的实际年龄标签对人工神经网络的参数进行调整。
测试单元,用于将测试集中女性样本与卵巢功能相关的目标指标的信息输入调整参数后的人工神经网络,根据女性样本对应的实际年龄标签对调整参数后的人工神经网络进行验证。
输出单元,用于根据调整参数后的人工神经网络在测试集上的测试结果,确定训练好的人工神经网络。
可选地,基于人工神经网络的卵巢功能年龄评估装置800,还包括:
筛选模块,用于根据健康女性样本集与卵巢功能相关的指标的信息,基于最小绝对值收敛和选择算子,对与卵巢功能相关的指标进行筛选,得到与卵巢功能相关的目标指标。
构建模块,用于将所得到的与卵巢功能相关的目标指标的信息作为输入量,将卵巢年龄作为输出量,构建人工神经网络。
可选地,与卵巢功能相关的目标指标包括:身高体重指数BMI、抗缪勒管激素AMH、抑制素B、卵泡刺激素FSH、黄体生成素LH、雌二醇E2和窦卵泡数AFC。
可选地,训练好的人工神经网络为前馈型神经网络,包括输入层、隐藏层和输出层,输入层包括七个神经元,隐藏层包括第一隐藏层和第二隐藏层,第一隐藏层包括五个神经元,第二隐藏层包括二个神经元,输出层包括一个神经元。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行基于人工神经网络的卵巢功能年龄评估方法,该方法包括:
获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;
将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出所述待测女性的卵巢年龄;其中,所述训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于人工神经网络的卵巢功能年龄评估方法,该方法包括:
获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;
将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出所述待测女性的卵巢年龄;其中,所述训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于人工神经网络的卵巢功能年龄评估方法,该方法包括:
获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;
将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出所述待测女性的卵巢年龄;其中,所述训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工神经网络的卵巢功能年龄评估方法,其特征在于,包括:
获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;
将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出所述待测女性的卵巢年龄;其中,所述训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
2.根据权利要求1所述的基于人工神经网络的卵巢功能年龄评估方法,其特征在于,还包括:
将健康女性样本集中女性样本与卵巢功能相关的目标指标的信息输入所构建的人工神经网络,根据女性样本对应的实际年龄标签对所述人工神经网络进行训练,得到所述训练好的人工神经网络。
3.根据权利要求2所述的基于人工神经网络的卵巢功能年龄评估方法,其特征在于,对所述人工神经网络进行训练,包括:
将所述健康女性样本集分划为训练集和测试集;
将所述训练集中女性样本与卵巢功能相关的目标指标的信息输入所述人工神经网络,根据女性样本对应的实际年龄标签对所述人工神经网络的参数进行调整;
将所述测试集中女性样本与卵巢功能相关的目标指标的信息输入调整参数后的人工神经网络,根据女性样本对应的实际年龄标签对所述调整参数后的人工神经网络进行测试;
根据所述调整参数后的人工神经网络在所述测试集上的测试结果,确定所述训练好的人工神经网络。
4.根据权利要求2或3所述的基于人工神经网络的卵巢功能年龄评估方法,其特征在于,对所述人工神经网络进行训练之前,还包括:
根据所述健康女性样本集与卵巢功能相关的指标的信息,基于最小绝对值收敛和选择算子,对所述与卵巢功能相关的指标进行筛选,得到所述与卵巢功能相关的目标指标;
将所得到的与卵巢功能相关的目标指标的信息作为输入量,将所述卵巢年龄作为输出量,构建所述人工神经网络。
5.根据权利要求4所述的基于人工神经网络的卵巢功能年龄评估方法,其特征在于,所述与卵巢功能相关的目标指标包括:身高体重指数BMI、抗缪勒管激素AMH、抑制素B、卵泡刺激素FSH、黄体生成素LH、雌二醇E2和窦卵泡数AFC。
6.根据权利要求5所述的基于人工神经网络的卵巢功能年龄评估方法,其特征在于,所述训练好的人工神经网络为前馈型神经网络,包括输入层、隐藏层和输出层,所述输入层包括七个神经元,所述隐藏层包括第一隐藏层和第二隐藏层,所述第一隐藏层包括五个神经元,所述第二隐藏层包括二个神经元,所述输出层包括一个神经元。
7.一种基于人工神经网络的卵巢功能年龄评估装置,其特征在于,包括:
获取模块,用于获取待测女性与卵巢功能相关的目标指标的信息;其中,所述与卵巢功能相关的目标指标包括生理学指标、内分泌学指标、影像学指标;
评估模块,用于将所获取与卵巢功能相关的目标指标的信息输入训练好的人工神经网络进行处理,输出所述待测女性的卵巢年龄;其中,所述训练好的人工神经网络,是基于健康女性样本与卵巢功能相关的目标指标的信息以及对应的实际年龄标签训练得到。
8.根据权利要求7所述的基于人工神经网络的卵巢功能年龄评估装置,其特征在于,还包括:
训练模块,用于将健康女性样本集中女性样本与卵巢功能相关的目标指标的信息输入所构建的人工神经网络,根据女性样本对应的实际年龄标签对所述人工神经网络进行训练,得到所述训练好的人工神经网络。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6中任一项所述的基于人工神经网络的卵巢功能年龄评估方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于人工神经网络的卵巢功能年龄评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480265.6A CN113130077A (zh) | 2021-04-30 | 2021-04-30 | 基于人工神经网络的卵巢功能年龄评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480265.6A CN113130077A (zh) | 2021-04-30 | 2021-04-30 | 基于人工神经网络的卵巢功能年龄评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113130077A true CN113130077A (zh) | 2021-07-16 |
Family
ID=76780838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480265.6A Withdrawn CN113130077A (zh) | 2021-04-30 | 2021-04-30 | 基于人工神经网络的卵巢功能年龄评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113130077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913972A (zh) * | 2021-12-10 | 2022-08-16 | 北京大学第三医院(北京大学第三临床医学院) | 预测受试者卵巢刺激过程中获得的卵母细胞数量的系统 |
-
2021
- 2021-04-30 CN CN202110480265.6A patent/CN113130077A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913972A (zh) * | 2021-12-10 | 2022-08-16 | 北京大学第三医院(北京大学第三临床医学院) | 预测受试者卵巢刺激过程中获得的卵母细胞数量的系统 |
CN114913972B (zh) * | 2021-12-10 | 2023-12-01 | 北京大学第三医院(北京大学第三临床医学院) | 预测受试者卵巢刺激过程中获得的卵母细胞数量的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Calster et al. | Managing pregnancy of unknown location based on initial serum progesterone and serial serum hCG levels: development and validation of a two‐step triage protocol | |
Lim et al. | Zero-inflated Poisson regression mixture model | |
Nelson et al. | Antimüllerian hormone levels and antral follicle count as prognostic indicators in a personalized prediction model of live birth | |
Babanezhad et al. | Comparison of causal effect estimators under exposure misclassification | |
Mobadersany et al. | GestAltNet: aggregation and attention to improve deep learning of gestational age from placental whole-slide images | |
Zu et al. | α-SN curve: a novel SN curve modeling method under small-sample test data using uncertainty theory | |
Alvares et al. | SemiCompRisks: an R package for the analysis of independent and cluster-correlated semi-competing risks data | |
CN113130077A (zh) | 基于人工神经网络的卵巢功能年龄评估方法和装置 | |
Seetharam et al. | Clinical inference from cardiovascular imaging: paradigm shift towards machine-based intelligent platform | |
CN114611879A (zh) | 一种基于多任务学习的临床风险预测系统 | |
Höfling et al. | A study of pre-validation | |
CN112164462B (zh) | 一种乳腺癌风险评估方法、系统、介质及设备 | |
Zong et al. | Embedded software fault prediction based on back propagation neural network | |
Conn et al. | Fuzzy forests: extending random forests for correlated, high-dimensional data | |
US20230215571A1 (en) | Automated classification of immunophenotypes represented in flow cytometry data | |
CN116994751A (zh) | 一种孕早期子痫前期风险预测模型的构建方法及装置 | |
Dessiso et al. | Bayesian joint modelling of longitudinal and survival data of HIV/AIDS patients: a case study at bale robe general hospital, Ethiopia | |
New et al. | A precision environment-wide association study of hypertension via supervised cadre models | |
CN113160989A (zh) | 基于支持向量机算法的卵巢功能年龄计算系统及其方法与应用 | |
ALOTAIBI et al. | EARLY PREDICTION OF GESTATIONAL DIABETES USING MACHINE LEARNING TECHNIQUES | |
CN113223712A (zh) | 基于广义线性模型的卵巢功能年龄评估方法和装置 | |
CN111127305B (zh) | 基于早孕期胎儿颅面部三维容积自动获取标准切面的方法 | |
WO2023025419A1 (en) | Method and system for deconvolution of bulk rna-sequencing data | |
Alvares et al. | SemiCompRisks: An R package for independent and cluster-correlated analyses of semi-competing risks data | |
CN114936204A (zh) | 一种特征筛选方法、装置、存储介质及电子设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |