CN113707298A - 一种基于医疗大数据肿瘤诊断的预测方法 - Google Patents
一种基于医疗大数据肿瘤诊断的预测方法 Download PDFInfo
- Publication number
- CN113707298A CN113707298A CN202110993137.1A CN202110993137A CN113707298A CN 113707298 A CN113707298 A CN 113707298A CN 202110993137 A CN202110993137 A CN 202110993137A CN 113707298 A CN113707298 A CN 113707298A
- Authority
- CN
- China
- Prior art keywords
- benign
- prediction
- tumor
- big data
- random forest
- 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- Withdrawn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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 201000011510 cancer Diseases 0.000 claims abstract description 34
- 238000007637 random forest analysis Methods 0.000 claims abstract description 27
- 238000007477 logistic regression Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 13
- 230000002787 reinforcement Effects 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000007418 data mining Methods 0.000 claims abstract description 8
- 230000003211 malignant effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000013499 data model Methods 0.000 claims abstract description 4
- 210000004072 lung Anatomy 0.000 claims description 12
- 210000001685 thyroid gland Anatomy 0.000 claims description 10
- 210000004185 liver Anatomy 0.000 claims description 9
- 201000002510 thyroid cancer Diseases 0.000 claims description 8
- 239000000427 antigen Substances 0.000 claims description 6
- 108091007433 antigens Proteins 0.000 claims description 6
- 102000036639 antigens Human genes 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 208000024770 Thyroid neoplasm Diseases 0.000 claims description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 201000005202 lung cancer Diseases 0.000 claims description 4
- 208000020816 lung neoplasm Diseases 0.000 claims description 4
- 150000001720 carbohydrates Chemical class 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 201000007270 liver cancer Diseases 0.000 claims description 3
- 208000014018 liver neoplasm Diseases 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 206010041823 squamous cell carcinoma Diseases 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 208000016842 benign thyroid gland neoplasm Diseases 0.000 claims description 2
- 230000002440 hepatic effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 239000000439 tumor marker Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000007619 statistical method 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
- G16H50/20—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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于医疗大数据肿瘤诊断的预测方法，包括数据挖掘和模型构建，数据挖掘包括前期收集的近三年肿瘤标志物大数据，模型构建包括5‑8种肿瘤良恶性模型，以逻辑回归，随机森林和支持向量机以及增强学习四种机器学习的方法对相关数据进行分析和预测，本发明方法合理，研究人员将收集与各种与体检和肿瘤相关的医疗记录中的标志物，包括年龄性别等指标，并根据已知的肿瘤数据来判断肿瘤是恶性的还是良性的，进行迭代训练后，通过机器学习的各种算法用于估计肿瘤的良恶性，可以为癌症领域提供具有潜力的预测工具，通过机器学习的方法对肿瘤的良恶性进行区别有非常有益的应用前景，结果可靠，准确度高，特异性好。
Description
技术领域
本发明涉及医学大数据利用技术领域，特别涉及一种基于医疗大数据肿瘤诊断的预测方法。
背景技术
癌症是一个复杂的疾病，而其发病率在逐年增多，各国对于癌症的治疗也是一笔天文数字的支出，如何对癌症进行早期诊断从而及时治疗，这是各国科学家一直在不懈研究的课题，而如何扩大筛选规模并降低医疗成本亦是一个巨大的挑战，每个肿瘤往往拥有多个驱动基因和复杂的信号传导通路异常，但是对于癌症的早期诊断一直是个棘手的问题，如何通过简单的手段来预测早期肿瘤或者通过对患者的血液检验指标并通过算法进行判断是一个重要和紧迫的问题。对以上问题，以下提出一种解决方案。
发明内容
本发明的目的是提供一种基于医疗大数据肿瘤诊断的预测方法，具有结果可靠、准确度高、特异性好的优点。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于医疗大数据肿瘤诊断的预测方法，包括数据挖掘和模型构建，所述数据挖掘包括前期收集的近三年肿瘤标志物大数据，所述模型构建包括5-8种肿瘤良恶性模型，以甲状腺、肺和肝三个器官中良性和恶性肿瘤的区分和判别，以逻辑回归，随机森林和支持向量机以及增强学习四种机器学习的方法对相关数据进行分析和预测。
作为优选，所述甲状腺癌良性和恶性肿瘤区分判别，通过甲状腺各变量相关性示意图的相关性分析，且通过逻辑回归、随机森林、支持向量机和增强学习四种模型对变量进行模型构建和预测。
作为优选，所述甲状腺模型构建和预测后，选择的Age+R8+R11标志物，在逻辑回归模型下，预测效果最好，选择糖类抗原199和鳞状细胞癌相关抗原以及年龄三个变量的情况下，通过逻辑回归的方法对甲状腺良恶性肿瘤的预测有较好的预测准确率，准确率可达到0.76，AUC值到0.685。
作为优选，所述肺癌良性和恶性肿瘤区分判别，通过肺的良恶性肿瘤各变量的相关性分析，且通过逻辑回归、随机森林、支持向量机和增强学习四种模型对变量进行模型构建和预测。
作为优选，所述肺四种模型的AUC值分别为：0.785，0.821，0.746，0.762，最优的预测模型是：随机森林模型，预测准确性0.76，AUC值为0.821，从重要变量性排名来看：R6>R3>R7>SEX>R10>R1>R8，且通过基尼指数可知，R6，R3，R10，R1和R7都属于高分数参数，和重要性排名比较一致，可以用于未来的临床考察指标。
作为优选，所述肝癌良性和恶性肿瘤区分判别，同样进行逻辑回归，随机森林，支持向量机以及增强学习4种模型分析，所有模型都是随机选取50％的样本作为训练样本，另外50％作为验证样本结果发现随机森林的预测准确性最高为0.81。
作为优选，所述通过肝ROC曲线看出，四种模型的AUC值分别为0.748，0.814，0.690和0.686，因此，依然是随机森林具有最好的分类效果。预测准确性为0.81，AUC值为0.814，从基尼指数上看，R6，R4，R3，R9，R10属于高效率的预测因子，这个结果与变量重要性排名和差异p值结果几乎一致因此，未来R6，R4，R3，R9，R10可以作为临床预测重要的分子标志物。
本发明的有益效果是：研究人员将收集与各种与体检和肿瘤相关的医疗记录中的标志物，包括年龄性别等指标，并根据已知的肿瘤数据来判断肿瘤是恶性的还是良性的，进行迭代训练后，通过机器学习的各种算法用于估计肿瘤的良恶性，从而基于多维异质数据的整合并结合不同技术在特征选择和分类中的应用，可以为癌症领域提供具有潜力的预测工具，通过机器学习的方法对肿瘤的良恶性进行区别有非常有益的应用前景，结果可靠，准确度高，特异性好，对肿瘤诊断的预测具有极大的帮助。
附图说明
图1为肿瘤标志物名称图；
图2为甲状腺各变量相关性示意图；
图3为甲状腺逻四种机器模型构建与预测评价图；
图4为肺的良恶性肿瘤各变量的相关性分析图；
图5为肺逻四种机器模型构建与预测评价图；
图6为肺随机森林套袋率图；
图7为肺随机森林基尼指数；
图8为肝各变量相关性示意图；
图9为肝四种模型的ROC曲线比较图；
图10为肝随机森林套袋率图；
图11为肝随机森林基尼指数。
具体实施方式
以下所述仅是本发明的优选实施方式，保护范围并不仅局限于该实施例，凡属于本发明思路下的技术方案应当属于本发明的保护范围。同时应当指出，对于本技术领域的普通技术人员而言，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
如图1至图11所示，一种基于医疗大数据肿瘤诊断的预测方法，包括数据挖掘和模型构建，数据挖掘包括前期收集的近三年肿瘤标志物大数据，模型构建包括5-8种肿瘤良恶性模型，以甲状腺、肺和肝三个器官中良性和恶性肿瘤的区分和判别，并收集某院近三年肺(533例)，肝(365例)以及甲状腺(527例)恶性肿瘤和良性肿瘤的肿瘤标志物进行统计分析，以逻辑回归，随机森林和支持向量机以及增强学习四种机器学习的方法对相关数据进行分析和预测。
甲状腺癌良性和恶性肿瘤区分判别：
通过图1可知肿瘤标志物名称，通过图2可知甲状腺各变量的相关性，通过图3进行甲状腺逻辑回归、随机森林、支持向量机和增强学习四种模型对变量进行模型构建和预测。
结果发现：选择的Age+R8+R11标志物，在逻辑回归模型下，预测效果最好，选择糖类抗原199和鳞状细胞癌相关抗原以及年龄三个变量的情况下，通过逻辑回归的方法对甲状腺良恶性肿瘤的预测有较好的预测准确率，准确率可达到0.76，AUC值到0.685。
肺癌良性和恶性肿瘤区分判别：
通过图4首先对肺的良恶性肿瘤各变量的相关性进行分析，其次通过图5构建四种机器学习模型并评价，由图5可知，四种模型的AUC值分别为：0.785，0.821，0.746，0.762；最优的预测模型是：随机森林模型，预测准确性0.76，AUC值为0.821；从重要变量性排名来看：R6>R3>R7>SEX>R10>R1>R8。
结果发现：通过图6分析随机森林套袋率和图7分析随机森林基尼指数，可得出R6，R3，R10，R1和R7都属于高分数参数，和重要性排名比较一致，可以用于未来的临床考察指标。
肝癌良性和恶性肿瘤区分判别：
通过图8首先对肝的良恶性肿瘤各变量的相关性进行分析，随后同样进行逻辑回归，随机森林，支持向量机以及增强学习4种模型分析，所有模型都是随机选取50％的样本作为训练样本，另外50％作为验证样本结果发现随机森林的预测准确性最高为0.81。
结果发现：通过图9可看出，四种模型的AUC值分别为0.748，0.814，0.690和0.686，因此，依然是随机森林具有最好的分类效果。预测准确性为0.81，AUC值为0.814。且通过图10分析出，500棵树的分类器结果已经趋近于稳定，因此该模型结果可行，最后通过图11可分析得出，R6，R4，R3，R9，R10属于高效率的预测因子，这个结果与变量重要性排名和差异p值结果几乎一致因此，未来R6，R4，R3，R9，R10可以作为临床预测重要的分子标志物。
研究人员将收集与各种与体检和肿瘤相关的医疗记录中的标志物，包括年龄性别等指标，并根据已知的肿瘤数据来判断肿瘤是恶性的还是良性的，进行迭代训练后，通过机器学习的各种算法用于估计肿瘤的良恶性，从而基于多维异质数据的整合并结合不同技术在特征选择和分类中的应用，可以为癌症领域提供具有潜力的预测工具。
通过机器学习的方法对肿瘤的良恶性进行区别有非常有益的应用前景，结果可靠，准确度高，特异性好，因此对肿瘤诊断的预测具有极大的帮助。
Claims (7)
1.一种基于医疗大数据肿瘤诊断的预测方法，其特征在于，包括数据挖掘和模型构建，所述数据挖掘包括前期收集的近三年肿瘤标志物大数据，所述模型构建包括5-8种肿瘤良恶性模型，以甲状腺、肺和肝三个器官中良性和恶性肿瘤的区分和判别，以逻辑回归，随机森林和支持向量机以及增强学习四种机器学习的方法对相关数据进行分析和预测。
2.根据权利要求1所述的一种基于医疗大数据肿瘤诊断的预测方法，其特征在于，所述甲状腺癌良性和恶性肿瘤区分判别，通过甲状腺各变量相关性示意图的相关性分析，且通过逻辑回归、随机森林、支持向量机和增强学习四种模型对变量进行模型构建和预测。
3.根据权利要求2所述的一种基于医疗大数据肿瘤诊断的预测方法，其特征在于，所述甲状腺模型构建和预测后，选择的Age+R8+R11标志物，在逻辑回归模型下，预测效果最好，选择糖类抗原199和鳞状细胞癌相关抗原以及年龄三个变量的情况下，通过逻辑回归的方法对甲状腺良恶性肿瘤的预测有较好的预测准确率，准确率可达到0.76，AUC值到0.685。
4.根据权利要求3所述的一种基于医疗大数据肿瘤诊断的预测方法，其特征在于，所述肺癌良性和恶性肿瘤区分判别，通过肺的良恶性肿瘤各变量的相关性分析，且通过逻辑回归、随机森林、支持向量机和增强学习四种模型对变量进行模型构建和预测。
5.根据权利要求4所述的一种基于医疗大数据肿瘤诊断的预测方法，其特征在于，所述肺四种模型的AUC值分别为：0.785，0.821，0.746，0.762，最优的预测模型是：随机森林模型，预测准确性0.76，AUC值为0.821，从重要变量性排名来看：R6>R3>R7>SEX>R10>R1>R8，且通过基尼指数可知，R6，R3，R10，R1和R7都属于高分数参数，和重要性排名比较一致，可以用于未来的临床考察指标。
6.根据权利要求5所述的一种基于医疗大数据肿瘤诊断的预测方法，其特征在于，所述肝癌良性和恶性肿瘤区分判别，同样进行逻辑回归，随机森林，支持向量机以及增强学习4种模型分析，所有模型都是随机选取50％的样本作为训练样本，另外50％作为验证样本结果发现随机森林的预测准确性最高为0.81。
7.根据权利要求6所述的一种基于医疗大数据肿瘤诊断的预测方法，其特征在于，所述通过肝ROC曲线看出，四种模型的AUC值分别为0.748，0.814，0.690和0.686，因此，依然是随机森林具有最好的分类效果。预测准确性为0.81，AUC值为0.814，从基尼指数上看，R6，R4，R3，R9，R10属于高效率的预测因子，这个结果与变量重要性排名和差异p值结果几乎一致因此，未来R6，R4，R3，R9，R10可以作为临床预测重要的分子标志物。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110993137.1A CN113707298A (zh) | 2021-08-25 | 2021-08-25 | 一种基于医疗大数据肿瘤诊断的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110993137.1A CN113707298A (zh) | 2021-08-25 | 2021-08-25 | 一种基于医疗大数据肿瘤诊断的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113707298A true CN113707298A (zh) | 2021-11-26 |
Family
ID=78655673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110993137.1A Withdrawn CN113707298A (zh) | 2021-08-25 | 2021-08-25 | 一种基于医疗大数据肿瘤诊断的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113707298A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN111276252A (zh) * | 2020-01-15 | 2020-06-12 | 北京吉因加科技有限公司 | 一种肿瘤良恶性鉴别模型的构建方法及装置 |
| CN111721751A (zh) * | 2020-06-30 | 2020-09-29 | 四川大学华西医院 | 一种检测结直肠恶性肿瘤的装置 |
| CN112255335A (zh) * | 2020-09-28 | 2021-01-22 | 复旦大学 | 用于区分良性和恶性卵巢肿瘤的血浆代谢标志物及其应用 |
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
-
2021
- 2021-08-25 CN CN202110993137.1A patent/CN113707298A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
| CN111276252A (zh) * | 2020-01-15 | 2020-06-12 | 北京吉因加科技有限公司 | 一种肿瘤良恶性鉴别模型的构建方法及装置 |
| CN111721751A (zh) * | 2020-06-30 | 2020-09-29 | 四川大学华西医院 | 一种检测结直肠恶性肿瘤的装置 |
| CN112255335A (zh) * | 2020-09-28 | 2021-01-22 | 复旦大学 | 用于区分良性和恶性卵巢肿瘤的血浆代谢标志物及其应用 |
| CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
Non-Patent Citations (1)
| Title |
|---|
| 贺康丽: "肝内胆管细胞癌淋巴结转移的预测和治疗", 临床肝胆病杂志, vol. 37, no. 8, pages 1929 - 1933 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6063446B2 (ja) | 細胞におけるバイオマーカーの発現の積率による解析 | |
| Azar et al. | Decision tree classifiers for automated medical diagnosis | |
| JP5506912B2 (ja) | 臨床決定支援システム及び方法 | |
| Zhang et al. | Stroke lesion detection and analysis in MRI images based on deep learning | |
| JP4950993B2 (ja) | 複数のサンプルから得られる代謝物のデータを、コンピュータシステムのデータベースを用いて比較および編集するためのシステムおよび方法 | |
| US20230056839A1 (en) | Cancer prognosis | |
| Jenipher et al. | A study on early prediction of lung cancer using machine learning techniques | |
| Mantha et al. | A transfer learning method for brain Tumor classification using EfficientNet-B3 model | |
| Shetty et al. | Duck pack optimization with deep transfer learning-enabled Oral squamous cell carcinoma classification on histopathological images | |
| Golfe et al. | ProGleason-GAN: Conditional progressive growing GAN for prostatic cancer Gleason grade patch synthesis | |
| Acharya et al. | Prediction of Tuberculosis From Lung Tissue Images of Diversity Outbred Mice Using Jump Knowledge Based Cell Graph Neural Network | |
| CN117711615A (zh) | 基于影像组学的淋巴结转移状态分类预测方法及设备 | |
| CN113707298A (zh) | 一种基于医疗大数据肿瘤诊断的预测方法 | |
| Sulochana et al. | A systematic review on oral cancer diagnosis and prognosis using machine learning techniques | |
| Prusty et al. | EPD: an integrated modeling technique to classify BC | |
| CN116052869A (zh) | 生成诊断模型的方法、使用该方法诊断的方法及装置 | |
| EP4052167A1 (en) | Method for generating models to automatically classify medical or veterinary images derived from original images into at least one class of interest | |
| Sanghavi et al. | Machine learning based classification system using depth-dependent variation encoding for classifying cervical two-photon excited fluorescence image stacks | |
| Kumari et al. | Cancer Detection with Ensemble Learning Model from Novel Precedence based Algorithms | |
| Raghavendra et al. | Classification and Prediction Model using Hybrid Technique for Medical Datasets | |
| Saleena | Analysis of machine learning and deep learning prediction models for sepsis and neonatal sepsis: A systematic review | |
| KR20230016753A (ko) | 의료 이미지 분석 장치 및 그 방법 | |
| Ramkumar et al. | Experimental Analysis on Breast Cancer Using Random Forest Classifier on Histopathological Images | |
| Turkmen | A novel two-staged deep learning based workflow for analyzable metaphase detection | |
| Sharma et al. | A Comprehensive Feature Engineering Approach for Breast Cancer Dataset |
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: 20211126 |