CN114420291B - 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 - Google Patents
基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114420291B CN114420291B CN202210041097.5A CN202210041097A CN114420291B CN 114420291 B CN114420291 B CN 114420291B CN 202210041097 A CN202210041097 A CN 202210041097A CN 114420291 B CN114420291 B CN 114420291B
- Authority
- CN
- China
- Prior art keywords
- gastric cancer
- lymph node
- node metastasis
- machine learning
- risk assessment
- 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
- G16H50/30—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质。风险评估步骤包括:获取胃癌患者的临床信息;根据临床信息将胃癌患者分为术前胃癌患者和术后胃癌患者;将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;将术后胃癌患者的临床信息输入预设的术后胃癌患者LNM风险评估模型,计算得到术后胃癌患者胃癌淋巴结转移风险的分类结果。本发明从临床问题出发,提供一种兼顾术前和术后的基于机器学习的胃癌淋巴结转移风险评估方法,具有重要的临床应用价值。
Description
技术领域
本发明涉及智能医疗技术领域,更具体地,涉及一种基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质。
背景技术
机器学习是一种强大的临床工具,用于临床疾病诊断模型构建和风险预测模型构建。用机器学习来构建的自动数据驱动预测或决策的算法和模型已证明与传统统计方法相比具有更高的预测准确性。不过机器学习算法必须和临床实际问题紧密结合,才能真正解决临床上的医学问题。
胃癌(GC)是消化道最常见的恶性肿瘤,尽管EGC病变主要局限于黏膜或黏膜下层,但评估术前区域淋巴结转移(LNM)的风险对确定患者预后并计划随后的内镜下病变切除手术至关重要,准确量化EGC中LNM的概率有利于改善内镜下治疗。对于接受第二次评估的EGC患者,需要重新评估LNM的风险,因为内镜下治疗可能无法治愈。
发明内容
为解决上述问题,我们根据胃癌淋巴结转移风险的特点,建立基于机器学习模型的胃癌淋巴结转移风险评估系统、设备及存储介质,为临床医生更加精准的评估内镜下治疗前术后胃癌LNM风险提供了基础。
本申请公开了一种基于机器学习的胃癌淋巴结转移风险评估方法,包括下述步骤:
获取胃癌患者的临床信息;
根据临床信息将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者;
将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
将内镜下治疗后胃癌患者的临床信息输入预设的内镜下治疗后胃癌患者LNM风险评估模型,计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
进一步,所述步骤还包括基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐;优选的,所述手术方案推荐包括:当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手术;
进一步,所述步骤还包括基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐;优选的,所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
进一步,所述临床信息包括一般信息、既往病史、入院诊断;
可选的,所述既往病史包括是否进行了内镜切除手术;
可选的,所述一般信息包括性别、年龄;
可选的,所述入院诊断数据包括肿瘤位置数据、肿瘤大小数据、肿瘤分型数据、分化程度数据、脉管累及数据、神经侵犯数据、侵犯深度数据和病理化验数据。
进一步,所述获取胃癌患者的临床信息后还进行预处理,所述预处理包括对临床信息中的缺失值进行填补处理;
优选的,所述预处理还包括当临床数据中存在的数据类不平衡时采用不同比例重新采样、组合不同的重采样数据集、重新采样训练集等方式进行数据采样。
进一步,所述预设的术前胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的术前胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的术前胃癌患者LNM风险评估模型;
可选的,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET。
优选的,所述机器学习算法为xgboost或GBM。
进一步,所述预设的内镜下治疗后胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的内镜下治疗后胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的内镜下治疗后胃癌患者LNM风险评估模型;
可选的,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET;
优选的,所述机器学习算法为xgboost、NNET或GBM。
进一步,所述术前胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述术前胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
可选的,所述内镜下治疗后胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述内镜下治疗后胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
本申请公开了一种基于机器学习的胃癌淋巴结转移风险评估系统,包括:
获取单元,用于获取胃癌患者的临床信息;
判断单元,用于根据临床信息将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者;
术前计算单元,用于将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
术后计算单元,用于将内镜下治疗后胃癌患者的临床信息输入预设的内镜下治疗后胃癌患者LNM风险评估模型,计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
进一步,所述基于机器学习的胃癌淋巴结转移风险评估系统还包括术前推荐单元,用于基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐;
优选的,所述手术方案推荐包括:当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手术。
进一步,所述基于机器学习的胃癌淋巴结转移风险评估系统还包括术后推荐单元,用于基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐;
优选的,所述手术方案推荐包括:所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
进一步,所述临床信息包括一般信息、既往病史、入院诊断;
可选的,所述既往病史包括是否进行了内镜切除手术;
可选的,所述一般信息包括性别、年龄;
可选的,所述入院诊断数据包括肿瘤位置数据、肿瘤大小数据、肿瘤分型数据、分化程度数据、脉管累及数据、神经侵犯数据、侵犯深度数据和病理化验数据。
进一步,所述获取单元获取胃癌患者的临床信息后还进行预处理,所述预处理包括对临床信息中的缺失值进行填补处理;
优选的,所述预处理还包括当临床数据中存在的数据类不平衡时采用不同比例重新采样、组合不同的重采样数据集、重新采样训练集等方式进行数据采样。
进一步,所述预设的术前胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的术前胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的术前胃癌患者LNM风险评估模型;
可选的,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET。
优选的,所述机器学习算法为xgboost或GBM。
进一步,所述预设的内镜下治疗后胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的内镜下治疗后胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的内镜下治疗后胃癌患者LNM风险评估模型;
可选的,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET;
优选的,所述机器学习算法为xgboost、NNET或GBM。
进一步,所述术前胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述术前胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
可选的,所述内镜下治疗后胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述内镜下治疗后胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
一种基于机器学习的胃癌淋巴结转移风险评估系统,包括:
获取单元,用于获取胃癌患者的一般信息、既往病史、入院诊断数据,所述一般信息包括性别、年龄,所述入院诊断数据包括肿瘤位置数据、肿瘤大小数据、肿瘤分型数据、分化程度数据、脉管累及数据、神经侵犯数据、侵犯深度数据和病理化验数据;
判断单元,用于根据所述既往病史将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者;
术前计算单元,用于将术前胃癌患者的一般信息和入院诊断数据输入术前胃癌患者LNM风险评估模型,所述术前胃癌患者LNM风险评估模型通过计算胃癌患者的肿瘤位置数据和侵犯深度数据得到术前胃癌患者胃癌LNM风险的分类结果;
术后计算单元,用于将内镜下治疗后胃癌患者的临床信息输入内镜下治疗后胃癌患者LNM风险评估模型,所述内镜下治疗后胃癌患者LNM风险评估模型通过计算胃癌患者的脉管累及数据和侵犯深度数据得到内镜下治疗后胃癌患者胃癌LNM风险的分类结果;
可选的,所述基于机器学习的胃癌淋巴结转移风险评估系统还包括术前推荐单元,用于基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐;
优选的,所述手术方案推荐包括:当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手术。
可选的,所述基于机器学习的胃癌淋巴结转移风险评估系统还包括术后推荐单元,用于基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐;
优选的,所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
一种基于机器学习的胃癌淋巴结转移风险评估设备,包括:存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被处理器执行时实现上述的基于机器学习的胃癌淋巴结转移风险评估方法步骤。
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的基于机器学习的胃癌淋巴结转移风险评估方法步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的基于机器学习的胃癌淋巴结转移风险评估方法步骤。
本申请的优点:
1.本申请有效评估术前胃癌患者(LNM)的风险,对确定患者预后并计划随后的内镜下病变切除手术具有重要的参考价值,准确量化EGC中LNM的概率有利于医生选择合适的治疗方案改善内镜下治疗治疗效果;
2.本申请创造性的加入了内镜下治疗后胃癌患者LNM风险评估,在本申请的研究中发现,术前胃癌患者LNM风险评估和内镜下治疗后胃癌患者LNM风险评估在模型上具有非常大的差异,尤其是对模型深入研究时,发现术前术后模型所采用的指标等都存在较大差异,考虑术后患者LNM
风险评估的重要性和特殊性,本申请提供一种兼顾术前和术后的基于机器学习的胃癌淋巴结转移风险评估方法、系统和设备。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种基于机器学习的胃癌淋巴结转移风险评估方法示意流程图;
图2是本发明实施例提供的一种基于机器学习的胃癌淋巴结转移风险评估设备示意图;
图3是本发明实施例提供的基于机器学习的胃癌淋巴结转移风险评估系统示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种基于机器学习的胃癌淋巴结转移风险评估方法示意流程图,具体地,所述方法包括如下步骤:
101:获取胃癌患者的临床信息;
在一个实施例中,所述临床信息包括一般信息、既往病史、入院诊断;可选的,所述既往病史包括是否进行了内镜切除手术;可选的,所述一般信息包括性别、年龄;可选的,所述入院诊断包括肿瘤位置、肿瘤大小、分化程度、神经侵犯、侵犯深度等信息和病理化验信息。
在一个具体实施例中,所述获取胃癌患者的临床信息后还进行预处理,所述预处理包括对临床信息中的缺失值进行填补处理;所述预处理还包括当临床数据中存在的数据类不平衡时采用不同比例重新采样、组合不同的重采样数据集、重新采样训练集等方式进行数据采样。
102:根据临床信息将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者;
在一个实施例中,根据临床信息中的既往病史将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者。
103:将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
在一个实施例中,所述预设的术前胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的术前胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的术前胃癌患者LNM风险评估模型。
在一个实施例中,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET。优选的,所述机器学习算法为xgboost或GBM。
在一个实施例中,招募了来自安徽省不同地区5个主要三级医疗中心的根治性切除加淋巴结清扫术的EGC患者。安徽医科大学第一附属医院和蚌埠医学院第一附属医院9年确诊胃癌的电子病理报告,中国科大第一附属医院5年,皖南医学院第一附属医院1年,安徽省肿瘤医院4年。根据WHO定义,每份报告都经过仔细检查,以确定EGC(pT1)的最终诊断,其中肿瘤侵袭仅限于粘膜和粘膜下层。对于选定的EGC病例,提取人口统计学信息、肿瘤位置、肿瘤大小、分化程度、神经侵犯和侵犯深度等信息并制成表格,整个数据集分为训练(80%)和测试(20%)数据集,分别用于模型开发和验证,并随机抽样,直到所有临床特征均未观察到显着差异。采用6种机器学习算法评估EGC中术前LNM风险评估,其中xgboost和GBM的AUC值分别为0.788和0.791,显示具有很好的诊断效能。
在一个实施例中,所述术前胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述术前胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果。
在一个实施例中,所述步骤还包括基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐;优选的,所述手术方案推荐包括:当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手术。
104:将内镜下治疗后胃癌患者的临床信息输入预设的内镜下治疗后胃癌患者LNM风险评估模型,计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
在一个实施例中,所述预设的内镜下治疗后胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的内镜下治疗后胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的内镜下治疗后胃癌患者LNM风险评估模型。
在一个实施例中,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET;优选的,所述机器学习算法为xgboost、NNET或GBM。
在一个实施例中,招募了来自安徽省不同地区5个主要三级医疗中心的根治性切除加淋巴结清扫术的EGC患者。安徽医科大学第一附属医院和蚌埠医学院第一附属医院9年确诊胃癌的电子病理报告,中国科大第一附属医院5年,皖南医学院第一附属医院1年,安徽省肿瘤医院4年。根据WHO定义,每份报告都经过仔细检查,以确定EGC(pT1)的最终诊断,其中肿瘤侵袭仅限于粘膜和粘膜下层。对于选定的EGC病例,提取人口统计学信息、肿瘤位置、肿瘤大小、分化程度、神经侵犯和侵犯深度等信息并制成表格,整个数据集分为训练(80%)和测试(20%)数据集,分别用于模型开发和验证,并随机抽样,直到所有临床特征均未观察到显着差异。采用6种机器学习算法评估EGC中内镜下治疗后LNM风险评估,其中xgboost、NNET、GBM的AUC值分别为0.826、0.823和0.827,显示具有很好的诊断效能。
在一个实施例中,所述内镜下治疗后胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述内镜下治疗后胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
在一个实施例中,所述步骤还包括基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐;优选的,所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
图2是本发明实施例提供的一种基于机器学习的胃癌淋巴结转移风险评估系统,包括:
获取单元201,用于获取胃癌患者的临床信息;
判断单元202,用于根据临床信息将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者;
术前计算单元203,用于将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
术后计算单元204,用于将内镜下治疗后胃癌患者的临床信息输入预设的内镜下治疗后胃癌患者LNM风险评估模型,计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
在一个具体实施例中,本发明实施例提供的一种基于机器学习的胃癌淋巴结转移风险评估系统,包括:
获取单元201,用于获取胃癌患者的临床信息;
判断单元202,用于根据临床信息将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者;
术前计算单元203,用于将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
术前推荐单元205,用于基于所述术前计算单元得到的胃癌淋巴结转移风险给出手术方案推荐。
术后计算单元204,用于将内镜下治疗后胃癌患者的临床信息输入预设的内镜下治疗后胃癌患者LNM风险评估模型,计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
术后推荐单元206,用于基于术后计算单元得到的胃癌淋巴结转移风险给出手术方案推荐。
图3是本发明实施例提供的一种基于机器学习的胃癌淋巴结转移风险评估设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执下述步骤:
获取胃癌患者的临床信息;
根据临床信息将胃癌患者分为术前胃癌患者和内镜下治疗后胃癌患者;
将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
将内镜下治疗后胃癌患者的临床信息输入预设的内镜下治疗后胃癌患者LNM风险评估模型,计算得到内镜下治疗后胃癌患者胃癌淋巴结转移风险的分类结果。
在一个具体实施例中,所述步骤还包括基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐;优选的,所述手术方案推荐包括:当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手术。
在一个具体实施例中,所述步骤还包括基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐;优选的,所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
本发明的一个目的在于提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的基于机器学习的胃癌淋巴结转移风险评估步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (24)
1.一种基于机器学习的胃癌淋巴结转移风险评估方法,包括以下步骤:
获取胃癌患者的临床信息;
根据临床信息将胃癌患者分为术前胃癌患者和内镜切除内镜切除术后胃癌患者;
将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果,基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐,当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手术;
将内镜切除术后胃癌患者的临床信息输入预设的内镜切除术后胃癌患者LNM风险评估模型,计算得到内镜切除术后胃癌患者胃癌淋巴结转移风险的分类结果,基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐,所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
2.根据权利要求1所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述临床信息包括一般信息、既往病史、入院诊断。
3.根据权利要求2所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述既往病史包括是否进行了内镜切除手术。
4.根据权利要求2所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述一般信息包括性别、年龄。
5.根据权利要求2所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述入院诊断数据包括肿瘤位置数据、肿瘤大小数据、肿瘤分型数据、分化程度数据、脉管累及数据、神经侵犯数据、侵犯深度数据和病理化验数据。
6.根据权利要求1中所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述获取胃癌患者的临床信息后还进行预处理,所述预处理包括对临床信息中的缺失值进行填补处理。
7.根据权利要求6所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述预处理还包括当临床数据中存在的数据类不平衡时采用不同比例重新采样、组合不同的重采样数据集或重新采样训练集方式进行数据采样。
8.根据权利要求1中所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述预设的术前胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的术前胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的术前胃癌患者LNM风险评估模型。
9.根据权利要求8所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET。
10.根据权利要求9所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述机器学习算法为xgboost或GBM。
11.根据权利要求1所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述术前胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述术前胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果。
12.根据权利要求1中所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述预设的内镜切除术后胃癌患者LNM风险评估模型是基于机器学习构建而成,将训练集中的内镜切除术后胃癌患者的临床信息输入机器学习算法中,得到预测的分类结果,将所述预测的分类结果与实际结果进行比对,根据对比结果优化机器学习算法,得到预设的内镜切除术后胃癌患者LNM风险评估模型。
13.根据权利要求12所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述机器学习算法选自下列中的一种或几种:逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法、GBM、NNET。
14.根据权利要求13所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述机器学习算法为xgboost、NNET或GBM。
15.根据权利要求1所述的基于机器学习的胃癌淋巴结转移风险评估方法,其特征在于,所述内镜切除术后胃癌患者LNM风险评估模型是由多个机器学习算法构建而成,将所述内镜切除术后胃癌患者的临床信息分别输入多个机器学习算法中,融合多个机器学习算法的预测结果计算得到内镜切除术后胃癌患者胃癌淋巴结转移风险的分类结果。
16.一种基于机器学习的胃癌淋巴结转移风险评估系统,包括:
获取单元,用于获取胃癌患者的临床信息;
判断单元,用于根据临床信息将胃癌患者分为术前胃癌患者和内镜切除术后胃癌患者;
术前计算单元,用于将术前胃癌患者的临床信息输入预设的术前胃癌患者LNM风险评估模型,计算得到术前胃癌患者胃癌淋巴结转移风险的分类结果;
术前推荐单元,用于基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐,当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手术;
术后计算单元,用于将内镜切除术后胃癌患者的临床信息输入预设的内镜切除术后胃癌患者LNM风险评估模型,计算得到内镜切除术后胃癌患者胃癌淋巴结转移风险的分类结果;
术后推荐单元,用于基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐,所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
17.一种基于机器学习的胃癌淋巴结转移风险评估系统,包括:
获取单元,用于获取胃癌患者的一般信息、既往病史、入院诊断数据,所述一般信息包括性别、年龄,所述入院诊断数据包括肿瘤位置数据、肿瘤大小数据、肿瘤分型数据、分化程度数据、脉管累及数据、神经侵犯数据和侵犯深度数据;
判断单元,用于根据所述既往病史将胃癌患者分为术前胃癌患者和术后胃癌患者;
术前计算单元,用于将术前胃癌患者的一般信息和入院诊断数据输入术前胃癌患者LNM风险评估模型,所述术前胃癌患者LNM风险评估模型通过计算胃癌患者的肿瘤位置数据和侵犯深度数据得到术前胃癌患者胃癌LNM风险的分类结果;
术前推荐单元,用于基于术前胃癌淋巴结转移风险的分类结果给出手术方案推荐,当术前胃癌淋巴结转移风险为低风险时,推荐采用内镜下治疗;当术前胃癌淋巴结转移风险为高风险时,推荐采用根治性手;
术后计算单元,用于将内镜切除术后胃癌患者的临床信息输入内镜切除术后胃癌患者LNM风险评估模型,所述内镜切除术后胃癌患者LNM风险评估模型通过计算胃癌患者的脉管累及数据和侵犯深度数据得到内镜切除术后胃癌患者胃癌LNM风险的分类结果;
术后推荐单元,用于基于内镜切除术后胃癌淋巴结转移风险的分类结果给出手术方案推荐,所述手术方案推荐包括:当内镜切除术后胃癌淋巴结转移风险为低风险时,推荐无需追加手术治疗;当内镜切除术后胃癌淋巴结转移风险为高风险时,推荐追加手术治疗。
18.根据权利要求17所述的基于机器学习的胃癌淋巴结转移风险评估系统,其特征在于,所述术前胃癌患者LNM风险评估模型通过计算胃癌患者的肿瘤位置数据、侵犯深度数据和年龄数据得到术前胃癌患者胃癌LNM风险的分类结果。
19.根据权利要求17所述的基于机器学习的胃癌淋巴结转移风险评估系统,其特征在于,所述术前胃癌患者LNM风险评估模型通过计算胃癌患者的肿瘤位置数据、性别、侵犯深度数据和年龄得到术前胃癌患者胃癌LNM风险的分类结果。
20.根据权利要求17所述的基于机器学习的胃癌淋巴结转移风险评估系统,其特征在于,所述肿瘤位置包括胃的上三分之一、中三分之一和下三分之一;所述侵犯深度包括粘膜内、粘膜肌 和粘膜下。
21.根据权利要求17所述的基于机器学习的胃癌淋巴结转移风险评估系统,其特征在于,所述内镜切除术后胃癌患者LNM风险评估模型通过计算胃癌患者的脉管累及数据、年龄和侵犯深度数据得到内镜切除术后胃癌患者胃癌LNM风险的分类结果。
22.根据权利要求17所述的基于机器学习的胃癌淋巴结转移风险评估系统,其特征在于,所述侵犯深度包括粘膜内、粘膜肌 和粘膜下,所述脉管累及包括有脉管累及和无脉管累及。
23.一种基于机器学习的胃癌淋巴结转移风险评估设备,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行权利要求1-15任意一项所述的基于机器学习的胃癌淋巴结转移风险评估方法步骤。
24.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-15任意一项所述的基于机器学习的胃癌淋巴结转移风险评估方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210041097.5A CN114420291B (zh) | 2022-01-14 | 2022-01-14 | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210041097.5A CN114420291B (zh) | 2022-01-14 | 2022-01-14 | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114420291A CN114420291A (zh) | 2022-04-29 |
CN114420291B true CN114420291B (zh) | 2023-04-07 |
Family
ID=81272526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210041097.5A Active CN114420291B (zh) | 2022-01-14 | 2022-01-14 | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114420291B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115440386B (zh) * | 2022-09-30 | 2023-06-20 | 中国医学科学院北京协和医院 | 基于加权多病灶的影像组学特征预测晚期癌症患者免疫治疗效果的方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN106434893A (zh) * | 2016-08-31 | 2017-02-22 | 上海厚承医学科技有限公司 | 一种预测胃癌复发和铂类药物反应的lncRNA模型及其构建方法 |
CN107563134A (zh) * | 2017-08-30 | 2018-01-09 | 中山大学 | 一种用于精准预测胃癌患者预后的系统 |
CN109086572A (zh) * | 2018-07-24 | 2018-12-25 | 南方医科大学南方医院 | 一种用于评估胃癌术后预后和化疗反应性的试剂和方法 |
CN111724903A (zh) * | 2020-06-29 | 2020-09-29 | 北京市肿瘤防治研究所 | 预测受试者胃癌预后的系统 |
CN112837815A (zh) * | 2021-02-04 | 2021-05-25 | 复旦大学附属中山医院 | 基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
CN106318945B (zh) * | 2015-07-02 | 2019-07-30 | 上海欣昌医药科技有限公司 | 由血浆microRNA组成的II、III期胃癌复发标志物及复发预测方法 |
CN106055898A (zh) * | 2016-05-27 | 2016-10-26 | 石河子大学 | 胃癌患者的预后方法 |
CN106636334B (zh) * | 2016-10-09 | 2020-07-03 | 山东大学 | microRNA标志物组及其在制备检测胃癌淋巴结转移试剂盒中的应用 |
CN111508615A (zh) * | 2020-06-01 | 2020-08-07 | 李现民 | 一种腹腔镜与开腹手术治疗胃癌患者的临床分析方法 |
CN111640518A (zh) * | 2020-06-02 | 2020-09-08 | 山东大学齐鲁医院 | 一种宫颈癌术后生存预测方法、系统、设备及介质 |
CN111983233B (zh) * | 2020-08-17 | 2021-05-11 | 江苏省人民医院(南京医科大学第一附属医院) | 识别胃低分化腺癌中癌干细胞成分的抗体组合物及其应用 |
CN112992354B (zh) * | 2021-03-15 | 2024-01-19 | 南方医科大学 | 一种基于甲基标志物组合评估结直肠癌转移复发风险和动态监测的方法以及系统 |
CN113257413B (zh) * | 2021-06-22 | 2021-10-19 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
CN113628751A (zh) * | 2021-07-20 | 2021-11-09 | 赵群 | 胃癌预后预测方法、装置及电子设备 |
-
2022
- 2022-01-14 CN CN202210041097.5A patent/CN114420291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN106434893A (zh) * | 2016-08-31 | 2017-02-22 | 上海厚承医学科技有限公司 | 一种预测胃癌复发和铂类药物反应的lncRNA模型及其构建方法 |
CN107563134A (zh) * | 2017-08-30 | 2018-01-09 | 中山大学 | 一种用于精准预测胃癌患者预后的系统 |
CN109086572A (zh) * | 2018-07-24 | 2018-12-25 | 南方医科大学南方医院 | 一种用于评估胃癌术后预后和化疗反应性的试剂和方法 |
CN111724903A (zh) * | 2020-06-29 | 2020-09-29 | 北京市肿瘤防治研究所 | 预测受试者胃癌预后的系统 |
CN112837815A (zh) * | 2021-02-04 | 2021-05-25 | 复旦大学附属中山医院 | 基于Lauren分型和术后残留淋巴结评估胃癌预后的模型及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN114420291A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Clinical big data and deep learning: Applications, challenges, and future outlooks | |
Fujita | AI-based computer-aided diagnosis (AI-CAD): the latest review to read first | |
Kalyan et al. | Artificial neural network application in the diagnosis of disease conditions with liver ultrasound images | |
Habuza et al. | AI applications in robotics, diagnostic image analysis and precision medicine: Current limitations, future trends, guidelines on CAD systems for medicine | |
CN111292839B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
US20220051410A1 (en) | 3d radiomic platform for imaging biomarker development | |
Abbas et al. | Cause analysis of caesarian sections and application of machine learning methods for classification of birth data | |
de Nazaré Silva et al. | Automatic detection of masses in mammograms using quality threshold clustering, correlogram function, and SVM | |
Ren et al. | Current applications of machine learning in spine: from clinical view | |
Alshayeji et al. | Early detection of diabetic foot ulcers from thermal images using the bag of features technique | |
CN114420291B (zh) | 基于机器学习的胃癌淋巴结转移风险评估系统、设备及存储介质 | |
Katsis et al. | Using artificial immune recognition systems in order to detect early breast cancer | |
Seetha et al. | The Smart Detection and Analysis on Skin Tumor Disease Using Bio Imaging Deep Learning Algorithm | |
Tang et al. | Explainable survival analysis with uncertainty using convolution-involved vision transformer | |
Manikandan et al. | Hybrid computational intelligence for healthcare and disease diagnosis | |
Sajiv et al. | A Novel and Robust Breast Cancer classification based on Histopathological Images using Naive Bayes Classifier | |
Ramdhani et al. | Feature Weighting Optimization: Genetic Algorithms and Random Forest for Classification of Pregnant Potential Risk | |
Dey et al. | Image examination system to detect gastric polyps from endoscopy images | |
Chatterjee et al. | A Machine Learning Approach to Prevent Cancer | |
CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 | |
Muneer et al. | Colorectal Cancer Recognition Using Deep Learning on Histopathology Images | |
Li et al. | Structure regularized attentive network for automatic femoral head necrosis diagnosis and localization | |
Sajiv et al. | Machine Learning based Analysis of Histopathological Images of Breast Cancer Classification using Decision Tree Classifier | |
Iqbal et al. | AIM in Oncology | |
Zhao et al. | Bridging Interpretability and Performance: Enhanced Machine Learning-based Prediction of Hematoma Expansion Post-Stroke via Comprehensive Feature Selection |
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 |