CN110991536B - 原发性肝癌的早期预警模型的训练方法 - Google Patents
原发性肝癌的早期预警模型的训练方法 Download PDFInfo
- Publication number
- CN110991536B CN110991536B CN201911230988.XA CN201911230988A CN110991536B CN 110991536 B CN110991536 B CN 110991536B CN 201911230988 A CN201911230988 A CN 201911230988A CN 110991536 B CN110991536 B CN 110991536B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- model
- classification model
- liver cancer
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种原发性肝癌的早期预警模型的训练方法,发明基于临床检验数据,利用机器学习算法,建立原发性肝癌早期筛查模型,包括以下步骤:(a)对获得的临床检验数据进行数据预处理;(b)对预处理后的数据集进行数据集划分;(c)根据划分的数据集训练模型;(d)对分类模型的性能进行评估验证。筛查模型利用临床检验数据,结合实际临床要求,通过优化后模型的性能指标曲线选择阈值进行测试验证,进行原发性肝癌临床预警,为肝癌的早期成功诊断提供了条件,提高患者生存质量。
Description
技术领域
本发明涉及一种原发性肝癌的早期预警模型的训练方法。
背景技术
原发性肝癌(PLC)早期时在临床上无明显症状,临床上约有2/3的肝癌患者初诊时已属中晚期,错过了治疗时机。肝癌的早期发现、早期诊断、早期治疗被认为是患者获得长期生存的主要途径。
近年来,医疗数据与人工智能地不断积累与发展为PLC早期筛查提供了有力的资源和手段。其中,基于图像的人工智能方法在肝癌识别和预测方面的应用比较常见。而且,国内很多研究人员利用生物标记物对肝癌筛查进行研究。
例如,在临床检验诊断领域,肝纤维化多参数临床诊断模型融合患者的性别、年龄等多项检测指标数值,诊断效能分析提示诊断准确率均超过70%,个别达到80%。以及基于实验室检测结果建立人工智能模型用于预测缺铁性贫血,诊断正确率超过90%。上海东方肝胆医院实验检验科将多参数模型在诊断肝癌、肝纤维化方面进行了探索。
医疗影像和病例检查是目前常用的肝癌检测手段,但是由于它们代价昂贵、假阴性高的特点,并不适用于大范围的普遍筛查中。
发明内容
本发明的目的在于提供一种原发性肝癌的早期预警模型的训练方法。
为解决上述问题,本发明提供一种原发性肝癌的早期预警模型的训练方法,包括:
对获得的临床检验数据进行数据预处理;
对预处理后的数据进行数据集划分;
根据划分的数据集训练原发性肝癌的早期预警的分类模型;
对所述分类模型的性能进行评估验证。
进一步的,在上述方法中,对获得的临床检验数据进行数据预处理,包括:
获取临床检验数据各个特征维度的信息;
对各个数据特征维度信息的完整性以及有效性进行筛查,以剔除不完整的数据特征维度,确认最终的数据特征维度;
对所述最终的数据特征维度中的范围性数据、文字或符号性数据以及空数据进行处理,对处理后的数据进行归一化处理。
进一步的,在上述方法中,对所述最终的数据特征维度中的范围性数据、文字或符号性数据以及空数据进行处理,包括:
对于范围性数据,采取去掉符号的方法;
对于文字或符号性数据对其数值化;
对于空数据将其设置为0。
进一步的,在上述方法中,对处理后的数据进行归一化处理,包括:
根据每个数据特征维度的最大值,将该数据特征维度中的处理后的数据的范围缩放至[0,1]。
进一步的,在上述方法中,对预处理后的数据进行数据集划分,包括:
将预处理后数据分别分为健康、良性病变、恶性肿瘤三类;
从健康、良性病变、恶性肿瘤三类数据中随机选取一定数量的数据作为训练数据集,其余作为测试数据集。
进一步的,在上述方法中,根据划分的数据集训练原发性肝癌的早期预警的分类模型,包括:
采用机器学习的方式,利用所述训练数据集对所述分类模型进行训练;
通过训练后得到最优的分类模型。
进一步的,在上述方法中,采用机器学习的方式,利用所述训练数据集对所述分类模型进行训练,包括:
确定算法并选定处理数据的方法;
选择参数优化算法及优化测度进行参数优化,以获得最优的分类模型;
在所述分类模型的训练过程中引入交叉验证防止过拟合产生;
根据性能评估指标确定分类模型的分类阈值。
进一步的,在上述方法中,根据性能评估指标确定分类模型的分类阈值,包括:
确定评价所述分类模型的性能指标;
根据临床要求限定性能指标的范围;
将所述分类模型的训练结果和性能指标范围结合,建立阈值查找表;
通过所述阈值查找表确定所述分类模型的分类阈值。
进一步的,在上述方法中,通过训练后得到最优的分类模型,包括:
训练的所述分类模型包括两个模型,其中,第一个模型用于预测是否患病,第二个模型用于预测是否为恶性肿瘤;
结合第一和第二个模型的数据得出所述训练数据集中的样本是属于正常、良性病变还是恶性肿瘤。
进一步的,在上述方法中,对所述分类模型的性能进行评估验证,包括:
利用所述测试数据集对通过所述训练数据集训练获得的分类模型进行验证,并使用性能评估指标评价模型优劣。
与现有技术相比,本发明的有益效果:
1本发明中使用的临床检验数据是从人们日常体检项目中抽取的相关数据,数据获取方便;
2利用表格数据信息建立的筛查模型更易与算法结合,还可以根据特征数据对分类的有效程度以及算法的更新换代对模型进行优化;
3基于日常体检数据的癌症筛查方法对患者友好,不用进行特定蛋白检查,仅仅利用常规数据集对样本数据进行预测,适用范围将得到大大的提升,并且数据的获取方式简单、价格便宜;
4本发明容易实现,可以快速得到预测结果,只要将特征数据导入到模型中,就可以得到结果;
5本发明建立的原发性肝癌早期筛查模型结合临床实际要求,在保证可靠性的同时兼具灵活性。
附图说明
图1为本发明一实施例提供的一种原发性肝癌早期预警方法的流程图;
图2为本发明一实施例提供的一种原发性肝癌早期预警方法的整体架构图;
图3为本发明一实施例提供的一种原发性肝癌早期预警方法的模型训练算法流程图;
图4为本发明一实施例提供的一种原发性肝癌早期预警方法的模型图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种原发性肝癌的早期预警模型的训练方法,包括:
步骤a,对获得的临床检验数据进行数据预处理;
步骤b,对预处理后的数据进行数据集划分;
步骤c,根据划分的数据集训练原发性肝癌的早期预警的分类模型;
步骤d,对所述分类模型的性能进行评估验证。
在此,本发明的筛查分类模型可以利用临床检验数据,结合实际临床要求,通过优化后模型的性能指标曲线选择阈值进行测试验证,进行原发性肝癌临床预警,为肝癌的早期成功诊断提供了条件,提高患者生存质量。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤a,对获得的临床检验数据进行数据预处理,包括:
步骤a1,获取临床检验数据的各个数据特征维度信息;
步骤a2,对各个数据特征维度信息的完整性以及有效性进行筛查,以剔除不完整的数据特征维度,确认最终的数据特征维度;
步骤a3,对所述最终的数据特征维度中的范围性数据、文字或符号性数据以及空数据进行处理,对处理后的数据进行归一化处理。
在此,数据特征维度可以包括血液、尿液以及粪便常规、肝功能和肾功能生化标志物、糖脂代谢以及出凝血模块等大类
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤a3,对所述最终的数据特征维度中的范围性数据、文字或符号性数据以及空数据进行处理,包括:
步骤a31,对于范围性数据:即数据在一个范围内,如<123、小于123,一般是由于数值超出了检测范围造成的。对于此类数据,采取去掉符号的方法,如<123,就取123;
步骤a32,对于文字或符号性数据:如阴性,阳性,+,++等,根据数据情况对其数值化,如阴性为0,阳性为1,+为1,++为2等;
步骤a33,对于空数据:即使经过上述数据初筛,还有个别数据的值为空,暂时将其设置为0。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤a3,对处理后的数据进行归一化处理,包括:
步骤a34,根据每个数据特征维度的最大值,将该数据特征维度中的处理后的数据的范围缩放至[0,1]。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤b,对预处理后的数据进行数据集划分,包括:
步骤b1,将预处理后数据分别分为健康、良性病变、恶性肿瘤三类;
步骤b2,从健康、良性病变、恶性肿瘤三类数据中随机选取一定数量的数据作为训练数据集,其余作为测试数据集。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤c,根据划分的数据集训练原发性肝癌的早期预警的分类模型,包括:
步骤c1,采用机器学习的方式,并利用所述训练数据集对所述分类模型进行训练;
步骤c2,通过训练后得到最优的分类模型。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤c1,采用机器学习的方式,并利用所述训练数据集对所述分类模型进行训练,包括:
步骤c11,确定算法并选定处理数据的方法;
步骤c12,选择参数优化算法及优化测度进行参数优化,以获得最优的分类模型;
步骤c13,在所述分类模型的训练过程中引入交叉验证防止过拟合产生;
步骤c14,根据性能评估指标确定分类模型的分类阈值。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤c14,根据性能评估指标确定分类模型的分类阈值,包括:
步骤c141,确定评价所述分类模型的性能指标;
步骤c142,根据临床要求限定性能指标的范围;
步骤c143,将所述分类模型的训练结果和性能指标范围结合,建立阈值查找表;
步骤c144,通过所述阈值查找表确定所述分类模型的分类阈值。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤c2,通过训练后得到最优的分类模型,包括:
步骤c21,训练的所述分类模型包括两个模型,其中,第一个模型用于预测是否患病,第二个模型用于预测是否为恶性肿瘤;
步骤c22,结合第一和第二个模型的数据得出所述训练数据集中的样本是属于正常、良性病变还是恶性肿瘤。
本发明的原发性肝癌的早期预警模型的训练方法一实施例中,步骤d,对所述分类模型的性能进行评估验证,包括:
利用所述测试数据集对通过所述训练数据集训练获得的分类模型进行验证,并使用性能评估指标评价模型优劣。
具体的,基于临床检验数据的癌症筛查方法具有对患者友好、易于取样、价格便宜并且易于算法结合的特点。
如图1所示,本发明是对临床检验数据集进行操作,利用临床检验数据判断获取的样本是属于正常、良性病变还是恶性肿瘤。首先对数据集进行规范化处理,使其成为算法可以处理的形式,然后把预处理后的数据集划分为训练集和测试集,再利用训练数据训练筛查模型,最终使用测试集对训练所得模型的性能进行评估验证。
如图2所示,本实施例在上述实施例的基础上,对原发性肝癌早期预警方法整体框架做进一步叙述。本发明主要包括数据集处理、模型训练、模型验证模块。
数据集处理模块主要包括对获取后的临床检验数据集进行适当的处理,使处理后的数据集可以符合算法的执行标准,然后再将数据集划分为训练数据和测试数据分别用于模型训练模块和模型验证模块。
模型训练模块主要是利用合适的机器学习算法对训练数据进行训练,并采用优化算法对训练算法进行优化,从而得到最终筛查模型,再将筛查模型用于模型验证模块。
模型验证模块主要是利用测试数据对上述训练得到最终筛查模型进行性能评估,保证模型的可靠性。
如图3所示,本实施例对上述模型训练模块做进一步叙述。主要包括以下步骤:
1.确定用于训练数据的机器学习算法、处理数据的方法、算法参数优化方法以及交叉验证方法。
2.利用上述方法确定算法参数进行模型训练
3.对训练出的模型进行性能评估,如果达到性能要求则得到最终模型,如果没有达到要求则重复上述步骤。
如图4所示,本发明由两个模型组成,模型均由图3所示的模型训练算法流程图训练得到,预测样本都将经过两个模型,其中模型1是用于预测样本是属于正常还是患病,模型2是用于预测样本是属于良性病变还是恶性肿瘤,最后通过某种准则将模型1和模型2的结果结合在一起得到样本的最后结果。
本发明可以直接嵌入医院信息管理***中,根据数据库中存在的信息,抓取需要的信息处理后送入模型中进行预测,将预测结果反馈给信息管理***。
与现有技术相比,本发明的有益效果:
1发明中使用的临床检验数据是从人们日常体检项目中抽取的相关数据,数据获取方便;
2利用表格数据信息建立的筛查模型更易与算法结合,还可以根据特征数据对分类的有效程度以及算法的更新换代对模型进行优化;
3基于日常体检数据的癌症筛查方法对患者友好,不用进行特定蛋白检查,仅仅利用常规数据集对样本数据进行预测,适用范围将得到大大的提升,并且数据的获取方式简单、价格便宜;
4本发明容易实现,可以快速得到预测结果,只要将特征数据导入到模型中,就可以得到结果;
5本发明建立的原发性肝癌早期筛查模型结合临床实际要求,在保证可靠性的同时兼具灵活性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (1)
1.一种原发性肝癌的早期预警模型的训练方法,其特征在于,包括:
对获得的临床检验数据进行数据预处理;
对预处理后的数据进行数据集划分;
根据划分的数据集训练原发性肝癌的早期预警的分类模型;
对所述分类模型的性能进行评估验证;
对获得的临床检验数据进行数据预处理,包括:
获取临床检验数据的各个数据特征维度信息;
对各个数据特征维度信息的完整性以及有效性进行筛查,以剔除不完整的数据特征维度,确认最终的数据特征维度;
对所述最终的数据特征维度中的范围性数据、文字或符号性数据以及空数据进行处理,对处理后的数据进行归一化处理;
对所述最终的数据特征维度中的范围性数据、文字或符号性数据以及空数据进行处理,包括:
对于范围性数据,采取去掉符号的方法;
对于文字或符号性数据对其数值化;
对于空数据将其设置为0;
对处理后的数据进行归一化处理,包括:
根据每个数据特征维度的最大值,将该数据特征维度中的处理后的数据的范围缩放至[0,1];
对预处理后的数据进行数据集划分,包括:
将预处理后数据分别分为健康、良性病变、恶性肿瘤(即原发性肝癌)三类;
从健康、良性病变、恶性肿瘤三类数据中随机选取一定数量的数据作为训练数据集,其余作为测试数据集;
根据划分的数据集训练原发性肝癌的早期预警的分类模型,包括:
采用机器学习的方式,利用所述训练数据集对所述分类模型进行训练;
通过训练后得到最优的分类模型;
采用机器学习的方式,利用所述训练数据集对所述分类模型进行训练,包括:
确定算法并选定处理数据的方法;
选择参数优化算法及优化测度进行参数优化,以获得最优的分类模型;
在所述分类模型的训练过程中引入交叉验证防止过拟合产生;
根据性能评估指标确定分类模型的分类阈值;
根据性能评估指标确定分类模型的分类阈值,包括:
确定评价所述分类模型的性能指标;
根据临床要求限定性能指标的范围;
将所述分类模型的训练结果和性能指标范围结合,建立阈值查找表;
通过所述阈值查找表确定所述分类模型的分类阈值;
通过训练后得到最优的分类模型,包括:
训练的所述分类模型包括两个模型,其中,第一个模型用于预测是否患病,第二个模型用于预测是否为恶性肿瘤;
结合第一和第二个模型的数据得出所述训练数据集中的样本是属于正常、良性病变还是恶性肿瘤;
对所述分类模型的性能进行评估验证,包括:
利用所述测试数据集对通过所述训练数据集训练获得的分类模型进行验证,并使用性能评估指标评价模型优劣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911230988.XA CN110991536B (zh) | 2019-12-02 | 2019-12-02 | 原发性肝癌的早期预警模型的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911230988.XA CN110991536B (zh) | 2019-12-02 | 2019-12-02 | 原发性肝癌的早期预警模型的训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991536A CN110991536A (zh) | 2020-04-10 |
CN110991536B true CN110991536B (zh) | 2023-05-09 |
Family
ID=70090187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911230988.XA Active CN110991536B (zh) | 2019-12-02 | 2019-12-02 | 原发性肝癌的早期预警模型的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991536B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111710427A (zh) * | 2020-06-17 | 2020-09-25 | 广州市金域转化医学研究院有限公司 | ***癌前早期病变阶段诊断模型及建立方法 |
CN111783868B (zh) * | 2020-06-28 | 2024-02-02 | 上海应用技术大学 | 原发性肝癌分期模型训练方法 |
CN112786207A (zh) * | 2021-01-28 | 2021-05-11 | 联仁健康医疗大数据科技股份有限公司 | 数据筛选模型建立及数据筛选方法、装置、设备和介质 |
CN112802606A (zh) * | 2021-01-28 | 2021-05-14 | 联仁健康医疗大数据科技股份有限公司 | 数据筛选模型建立及数据筛选方法、装置、设备和介质 |
CN112908480A (zh) * | 2021-03-17 | 2021-06-04 | 上海电气集团股份有限公司 | 器官衰竭的预警方法、***、电子设备及存储介质 |
CN114373511B (zh) * | 2022-03-15 | 2022-08-30 | 南方医科大学南方医院 | 基于5hmC分子标志物检测的肠癌模型及肠癌模型构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016117812A1 (ko) * | 2015-01-21 | 2016-07-28 | 서울대학교 산학협력단 | 암 바이오마커의 성능 평가 장치 및 방법 |
CN110031624A (zh) * | 2019-02-28 | 2019-07-19 | 中国科学院上海高等研究院 | 基于多神经网络分类器的肿瘤标志物检测***、方法、终端、介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150331992A1 (en) * | 2014-05-15 | 2015-11-19 | Ramot At Tel-Aviv University Ltd. | Cancer prognosis and therapy based on syntheic lethality |
-
2019
- 2019-12-02 CN CN201911230988.XA patent/CN110991536B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016117812A1 (ko) * | 2015-01-21 | 2016-07-28 | 서울대학교 산학협력단 | 암 바이오마커의 성능 평가 장치 및 방법 |
CN110031624A (zh) * | 2019-02-28 | 2019-07-19 | 中国科学院上海高等研究院 | 基于多神经网络分类器的肿瘤标志物检测***、方法、终端、介质 |
Non-Patent Citations (1)
Title |
---|
支持向量机在大肠癌肿瘤标志物诊断中的应用;赵力威等;《放射免疫学杂志》;20121030(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110991536A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
CN109670510B (zh) | 一种基于深度学习的胃镜活检病理数据筛查*** | |
Si et al. | Fully end-to-end deep-learning-based diagnosis of pancreatic tumors | |
CN104424386A (zh) | 基于多参数磁共振影像的***癌计算机辅助识别*** | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及*** | |
CN112884724B (zh) | 一种用于肺癌组织病理分型的智能判断方法及*** | |
CN112784856A (zh) | 胸部x射线图像的通道注意力特征提取方法和识别方法 | |
CN109920541A (zh) | 一种基于数据分析的病理诊断方法 | |
CN112435743A (zh) | 一种基于机器学习的膀胱癌病理组学智能诊断方法及其预后模型 | |
CN112927187A (zh) | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 | |
CN109063747A (zh) | 基于深度学习的肠道病理切片图像识别分析***及方法 | |
Li et al. | Down syndrome prediction using a cascaded machine learning framework designed for imbalanced and feature-correlated data | |
CN116030032A (zh) | 基于拉曼光谱数据的乳腺癌分析设备、***及存储介质 | |
WO2023226217A1 (zh) | 微卫星不稳定预测***及其构建方法、终端设备及介质 | |
Chandrasekar et al. | Performance and evaluation of data mining techniques in cancer diagnosis | |
Ji et al. | ResDSda_U-Net: A novel U-Net based residual network for segmentation of pulmonary nodules in lung CT images | |
CN114494191A (zh) | 医用图像处理方法、设备及计算机存储介质 | |
CN113796850A (zh) | 甲状旁腺mibi图像分析***、计算机设备及存储介质 | |
CN109492690B (zh) | 一种基于卷积神经网络检测ct图像的方法 | |
Nalla et al. | Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems | |
CN110070942A (zh) | 一种基于梯度提升树模型的慢性肝病风险评估*** | |
Priyadharshini et al. | Artificial Intelligence Assisted Improved Design to Predict Brain Tumor on Earlier Stages using Deep Learning Principle | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
CN117894452B (zh) | 一种基于DenseFormer模型的不明原发肿瘤的原发灶预测方法及*** | |
CN117636064B (zh) | 一种基于儿童病理切片的神经母细胞瘤智能分类*** |
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 |