辅助医疗决策系统基于合奏的前列腺癌的方法

文摘

前列腺癌(PCa)是世界范围内危害男性健康的主要疾病。在发展中国家,由于大量的病人和医疗资源的缺乏,医生和病人之间有很大的冲突。为了解决这个问题,构造了一个前列腺癌的辅助医疗决策系统。系统使用了六个相关的肿瘤标志物作为输入特性和采用经典的机器学习模型(支持向量机和人工神经网络)。叠加方法针对不同的整体模型是用于减少过度拟合。1933535患者信息项目收集了从三个一流的医院在过去的五年里训练模型。结果表明,辅助医疗系统可以利用大量的数据。它的性能不断改善,因数据量的增长。基于系统和收集数据,统计前列腺癌的发病率在过去的五年里。最后,饮食习惯和前列腺癌的基因遗传的影响进行了分析。 Results revealed the increasing prevalence of PCa and great negative impact caused by high-fat diet and genetic inheritance.

1。介绍

2018年,发病率和死亡率的PCa占13.5%和6.7%,分别在男性患者。185年世界各国,PCa最高在105个国家发病率和死亡率最高的46个国家(1]。毫无疑问,PCa已经成为全球面临的主要威胁男性健康。人类发展指数高的国家(人类发展指数)通常有高发病率(68.0/100000)。尽管人类发展指数较低的国家,相对较低的发病率(14.5/100000),有一个明显的增长和快速增加的趋势(2]。以中国为例;1998年,粗糙的发病率是3.25/100000;然而,在2012年,增加到8.14/100000。到2013年,它已成为8.58/100000 (3,4]。高发病率在发达国家和发展中国家发病率增加导致全球大量的前列腺癌患者。

在发展中国家,医疗资源缺乏,许多患者不能得到及时有效的诊断和治疗,将总医生和病人之间的冲突。在中国,只有2.59从业者每1000人(5]。在北京,少量的高层医院医务人员提供医疗服务,超过2000万人在北京,和许多癌症患者在其他地区也来的特别治疗。医务人员已经超载了很长一段时间(6- - - - - -9]。这将不可避免地影响诊断的准确性,从而导致严重的后果。

其他发展中国家也可能面临同样的问题:(我)由于大量的病人和医疗资源少,患者很难得到及时有效的诊断和治疗(2)医生的长期工作负载减少诊断的效率和准确性(3)许多医院的医疗设备差,进而增加误诊的概率(iv)发展中国家的人均收入很低,而且大多数人负担不起昂贵的pet - ct机但准确的诊断方法

这些问题可以通过构建一个辅助缓解医疗决策系统。通过分析大量的数据,辅助医疗决策系统可以学习一个诊断模型。当一个新的病人来了,它将为医生提供诊断或治疗相关的建议基于学习模型(10,11]。梳理从系统的建议和自己的知识,医生会给最后的诊断和治疗方法的结论。辅助医疗决策系统在一定程度上可以减轻医生的负担,从而减轻医生和病人之间的冲突(12,13]。在这项工作中,我们构造了一个辅助医疗决策系统,可以确定病人是否有前列腺癌,判断临床阶段,推荐治疗方案,并评价治疗方案的有效性。考虑到低收入发展中国家,六个肿瘤标记选择相对较低的测试价格和高相关性PCa作为输入功能。采用经典的机器学习技术和整体的方法提取里面的知识数据和提高性能。

本研究的主要贡献和创新包括以下:(我)适当的特性选择医疗系统的建设根据发展中国家的国情(2)所构造的辅助系统可以给治疗计划和评估其有效性(3)构建整体的使用方法,辅助学习者提高了精度(iv)系统是基于大量的训练从三个高层医院病人信息在中国,和一些影响因素主成分分析通过构造系统进行了分析

本文的主要结构如下:第一部分介绍了研究的背景和贡献,第二部分介绍了相关研究,第三部分是详细描述模型的建设,第四部分是对培训过程和分析实验结果,第五部分是结论。

2。相关的工作

医学诊断的癌症通常是一个逐渐过渡,从简单的开始,便宜,和无害但精度的方法和以昂贵的和准确的方法。与常用的CT、MRI、磁共振等方法,检测肿瘤标志物是一个相对基本和廉价的方法在癌症的诊断,这使得构建辅助医疗决策系统与肿瘤标记适合发展中国家较低的资本医疗支出,医疗水平低、医疗设施。与单个肿瘤标志物诊断癌症通常不具有良好的敏感性和特异性(14]。因此,许多相关研究(14- - - - - -17)结合不同的肿瘤标记物或生物标记物预测一些疾病和获得良好的结果。具体来说,文献[1517)检测血清肿瘤标记物对145例胰腺癌和选择9肿瘤标记消除逆向选择、散点图和相对运行特性分析。基于这些特性,胰腺癌测定系统CAMPAS-P成立。最后的结果表明,CAMPAS-P系统能够准确区分胰腺癌恶性和良性pancreatobiliary疾病但表现糟糕的诊断胰腺肿瘤的不同寻常的组织学类型和各种消化器官的恶性肿瘤。文献[17)使用血清microRNA标志物预测非酒精性脂肪肝病(NAFLD)。在所有选定的生物标志物,9人与非酒精性脂肪肝严重程度相关,其中一些特定于非酒精性脂肪肝的出现。这些生物标记显示为非酒精性脂肪肝(NASH)良好的分类性能。文献[14]结合成长相关肿瘤标志物及相关肿瘤标志物诊断癌症和收购了80 - 90%的敏感性,特异性,84 - 85%和83 - 88%的准确率。

作为一个经典的机器学习算法,支持向量机(SVM) [18)显示了良好的性能在许多分类问题深度学习的复兴。它也广泛应用于医学诊断(19- - - - - -23]。文献[19)提取特征从乳房x光检查通过霍夫变换和支持向量机分类乳房x光检查。其准确性达到94%,线性判别分析等机器学习方法只有86%的准确率。文献[20.)使用各种机器学习技术的预测乳腺癌乳腺癌在威斯康辛州(原始)数据集。后考虑准确性,敏感性、特异性和精确度,SVM得到最好的结果。文献[21)提出了一种模糊粗糙集与支持向量机分类模型中ca - 125和其他氨基酸检测早期卵巢癌。它执行快速学习和有良好的分类性能。

集成学习技术也广泛应用于医疗助理的诊断。文献[24]选择人口、生理和生命体征和实验室测试功能和建立不同的模型,发现整体学习随机森林是最有效的死亡率预测的凌晨ICU病人入院。拟议中的EMPICU-RF整体学习框架基于随机森林AUROC方面的表现优于许多标准评分系统(曲线下的面积)和时间。文献[25)提出了一个模型,该模型结合了医生的知识形式的基于规则的分类器和监督学习算法来检测哮喘控制水平。文献[23)建立两个不同的整体模型confidence-weighted投票方法和提高整体技术的诊断乳腺癌。拟议中的CWV-BANN-SVM模型的准确性达到100%。

3所示。辅助医疗决策系统的设计

3.1。系统的需求和框架

辅助医疗决策系统旨在为医生们提供一些帮助。其功能涵盖诊断病人,癌症,推荐治疗方案和评估治疗方案。诊断病人是判断肿瘤恶性或良性的。分段癌症是确定临床分期(I、II、III或IV)确诊为恶性PCa。以上两个条件可以满足使用机器学习的方法建立一个分类模型。另一方面,为了给一个癌症治疗方案和评估其有效性的同时,整个问题被认为是一个回归的问题。该系统将最终输出值评估PCa的恶性肿瘤,缩写为EM值。值越大,恶性肿瘤越高。如果价值没有降低执行某种治疗方案后,这意味着治疗计划不是有效的,另一个需要选择治疗方案。与此同时,辅助医疗决策系统需要具有良好的并行性,并能够同时处理多个病人的诊断要求。 It is worth noting that after the medical system is invested, the amount of data obtained will gradually increase over time. The decision model will be retrained to further improve the generalization performance.

3.2。决策模型的设计

3.2.1之上。介绍了支持向量机

支持向量机可以获得全局最优解在高维问题;因此,它被广泛使用在许多情况下(26]。

线性可分的二元分类问题,假设输入的数据集 和输出标签 ,在哪里的输入向量th样本 相应的标签吗 。支持向量机的目标是找到一个超平面 区分正面和负面的样本,同时最大化他们的距离超平面。优化过程可以表示如下:

为了有效地计算解决方案,介绍了拉格朗日乘子,根据沃尔夫和对偶理论,它变成了一个等价的对偶问题:

对于线性不可分的问题,惩罚参数和松弛变量介绍了,问题是表示如下: 在哪里代表两个类的间隔,最后决定函数如下:

对于非线性问题,内核函数非线性问题在低维空间映射到高维线性问题。内核函数中定义的输入样本空间满足Mercer条件和有以下表达式: 。常用的核函数表中列出1。

一个典型的支持向量机通常用来处理二元分类问题。在这个医疗决策系统,首先使用SVM分类良性(标记为1)和恶性肿瘤(标记为1)。为了阶段可能的恶性肿瘤,四级(I、II、III或IV)分类的任务是完成一对一方法,这意味着训练支持向量机同时整合每个SVM通过多数投票的结果。在一对一的方法的训练过程中,每个支持向量机只需要两个类中的数据会有较小的培训成本和泛化性能保持在同样的时间。

核函数的选择是影响支持向量机性能的主要因素。常用的核函数包括线性函数、多项式函数,乙状结肠函数,径向基函数。在这里,同时使用多个内核函数构建的基于svm multiclassifiers可怜的泛化性能由于错误的核函数的选择。

3.2.2。介绍了神经网络

神经网络(NN)是一个模型的拟合能力强和由不同学科的研究人员广泛使用。它主要由一个输入层、隐藏层和输出层。根据网络的结构,神经网络可分为多种类型:多层感知器(MLP)神经网络、径向基函数(RBF)神经网络自适应共振理论(ART)神经网络自组织映射(SOM)神经网络,等。主要有两种网络模型中使用这个医疗决策系统,MLP神经网络和RBF神经网络。

向MLP神经网络包含一个输入层、一个或多个隐藏层,和一个输出层。通常,每两个相邻层完全连接,如图1。

向MLP神经网络的激活函数通常是解决线性单元或ReLU函数可以表示为 。

RBF神经网络是另一个广泛使用的神经网络(27]。它收敛快,具有较强的泛化能力。与向MLP神经网络不同,RBF网络只包含一个隐藏层,使用径向基函数 激活功能,的中心吗单位在隐藏层。RBF神经网络的结构如图2。

3.2.3。整体学习

集成学习方法,集成了许多基础的学习者在一起来提高整体学习能力。常用的集成学习方法包括增加、装袋、叠加。并行叠加方法可以生成所有基础学习者和使用一个辅助学习者集成基础学习者的结果。这种集成方法有合适的培训成本和强大的泛化性能。在我们的医疗决策系统中,为了提供相应治疗方案建议和评估计划的功效分期癌症后,分类器的结果需要转化成一个回归值。在这种情况下,堆积是一个不错的选择。整体方法真的有效,基础学习者需要有一些差异。这种差异可能来自不同的模型,不同的输入数据集,或不同的输入特性。考虑到支持向量机和神经网络输入数据集和不敏感的特性集很小,不适合使用不同的输入样本或不同的输入特性来提高泛化性能。然而,有许多选择在选择核函数的支持向量机和神经网络的结构。 Therefore, parameter perturbation is taken to enlarge the difference between base learners so that our decision model can be strengthened. Finally, the weights of base learners are learned through exponential linear regression (ELR) to obtain the evaluation of tumor malignancy or the EM value.

3.3。医疗决策系统的详细描述

在医疗决策系统,提出六个重要的肿瘤标志物包括前列腺特异性抗原(PSA)、前列腺特异性膜抗原(PSMA),总前列腺特异性抗原(tPSA),红细胞(RBC)、血红蛋白(HB)和前列腺酸性磷酸酶(PAP)选择诊断PCa作为输入特征和支持向量机的诊断模型。测定恶性PCa临床阶段,治疗建议和评价是由一个整体模型,结合支持向量机完成四级分类组和不同的神经网络结构。图3描述了主要的辅助医疗系统。

首先,从不同的医院系统收集相关数据。然后,六个重要的肿瘤标记物的水平从成千上万的信息项。将样品丢失或异常值后,一个输入向量 就形成了。接下来,它将首先使用支持向量机来判断肿瘤是恶性的。在临床医学、肿瘤标志物水平的增加并不意味着恶性肿瘤的发展。许多良性病变或炎症也可能导致肿瘤标志物水平的增加,但增加不大。当系统确定肿瘤是良性的,建议下一个考试和相应的治疗将会上市。

如果判定为恶性肿瘤,部门整体模型将完成阶段。恶性肿瘤的发展分为四个阶段:I, II, III和IV;说,该系统必须完成四个任务。由于支持向量机主要用于二元分类问题,一对一的策略是,每六形成一群支持向量机SVM模型。每组的输出是一个投票相结合的六组中的二进制SVM分类器,它是由一个四维一个炎热的向量表示。支持向量机分类器的分化是通过选择不同的核函数来实现提高最终的性能。更明确,支持向量机在同一组使用相同的内核函数,和支持向量机在不同群体使用不同的核函数。三种常用的核函数:线性内核,多项式核函数和高斯内核选择区分SVM组。

训练时,参数在每个二进制SVM的核函数和惩罚参数调整来降低泛化误差低于阈值 。为了进一步降低风险,广泛使用的MLP神经网络和RBF神经网络被添加到系统中。因为6输入特征选择和样品分为四类,输入和输出层中的延时和RBF网络6单位和4单元,分别。三组MLP神经网络结构不同的选择:6-9-7-4,6-10-7-5-4,6-7-5-4(这些数字在每一层单元数的顺序)。ReLU函数作为激活函数在MLP神经网络。同样,使用三个RBF网络具有不同的结构。三个网络的隐藏单元数字设置为10,14日和16日。聚类后的样品 - - - - - -意味着算法,中心每个隐藏单位决定。激活函数的RBF神经网络确定径向基函数。延时和RBF网络,调整hyperparameters降低泛化误差低于阈值 。

最后,输出每个支持向量机组,所有延时和RBF网络连接成一个向量,将输入的次要的学习者。通过观察肿瘤标志物水平的数据集,它是发现,良性肿瘤和病人在I期,肿瘤标志物水平通常接近正常范围。但在第三阶段和第四阶段,患者的肿瘤标记物水平大大偏离了正常范围内。因此,我们假设在开发过程中肿瘤标记物的增长的PCa符合指数律。这个假设是真实的医学。在早期,症状非常轻微或不明显。肿瘤往往很难发现和成长缓慢。然而,在中、晚期,他们野蛮生长和扩散到全身,使肿瘤标志物水平很高。

因此,ELR被选中作为支持向量机的辅助学习者整体结果,延时和RBF模型。监督输出值3、4、5、6添加手动输入患者样本的阶段,II, III, IV,分别。可能是连接的输出值ELR没有设置为从1开始。这被认为是提高模型的鲁棒性的原因,正常人和良性肿瘤病例。最后,PCa的评估价值的恶性肿瘤(EM值)输出。算法1显示了过程集成的结果由ELR基学习者。

恶性PCa的系统决定了阶段根据EM值和推荐适当的治疗方法。常用的肿瘤治疗方法包括化疗、放疗、切除、药物方法,和医院。后由系统推荐的治疗方法,医生会决定要不要放弃或者根据它做出修改。必须强调的是,在治疗方面建议,系统主要提供一个粗略的策略来减轻医生的压力在某种程度上,而不是完全取代医生。具体治疗与许多因素有关,不能简单的系统。如果一个病人被治疗一段时间,系统会跟踪他或她的肿瘤标志物的变化水平,将肿瘤标记测试的结果输入系统,和输出EM值来评估治疗的效果。如果EM值变化小,治疗计划将会改变。如果EM值大大降低,这意味着它真的有用,所以原计划将保持。在这个过程中,每一个有效的治疗和相应的EM值将被记录在数据库中进行进一步的使用。

4所示。实验

4.1。数据和模型的训练

我们收集了大量的数据从三个一流的医院在中国:第一湘雅医院,湘雅第二医院,和第三湘雅医院。相关的信息数据表所示2。

筛选和数据预处理后,肿瘤标志物的相关记录(PSA, PSMA tPSA、红细胞,HB,和PAP)和诊断结果(良性的,阶段,阶段II, III期,和四期)。

表3显示了正常范围的六个PCa相关肿瘤标志物。恶性肿瘤病人的标记值几倍甚至几十倍超出了正常范围。

图4显示了培训过程。数据集分为两部分:训练集和测试集,分别占80%和20%。然后分为他们每个人和 。首先,和使用合适的核函数和惩罚参数搜索火车吗直到下面的测试误差 。其次,恶性样本分为四个部分 根据其临床阶段。支持向量机和神经网络对数据不敏感。更重要的是,任意的数据可能导致数据不平衡的问题,这意味着两个数据集没有相同的分布。因此,整个训练集用于训练基地学习者,而不是把它分成几个部分。每个二进制SVM是单独训练。多数表决用于合奏svm在同一组的输出结果。对于神经网络来说,恶性直接标记为样品 的阶段。需要强调的是,尽管训练RBF神经网络的 - - - - - -意味着执行聚类算法确定隐藏层的中心。在图4是一个hyperparameter,需要调整。执行反向传播和梯度下降法来获得良好的分类能力。最后,支持向量机的输出组和神经网络重塑为一个向量,它用作输入指数的线性回归模型。人工标签被添加到火车ELR模型。ELR的损失函数选为均方损失,即 在哪里的评价是病人的肿瘤恶性和是手动设置监督值。

4.2。分析实验的结果

模型训练后,所有的恶性的例子在不同阶段输入到模型和他们的EM值计算的范围,如表所示4。从表4,就可以知道所有恶性的EM值的例子有一个粗略的偏差在0.5提前监督值集。该模型具有良好的拟合能力恶性样本的不同阶段,间接地证明了我们的假设,肿瘤标志物水平增加指数随着肿瘤的发展是可信的。

来验证我们的医疗决策系统的有效性,我们比较模型的精度在不同规模数据集与医生的准确性。如图5,当数据量小,辅助医疗决策系统的准确性很低,接近50%。在这种情况下,医生的准确性很高,接近100%。然而,随着数据量的增加,增加医疗决策系统的准确性。同时,医生的准确性开始下降,因为负担和累积误差。的数据量达到4000时,系统的精度是大致相同的医生。这表明我们的辅助诊断系统可以利用提高泛化性能的数据量越来越大。

我们也计算了平均EM值不同的年探索PCa近年来的发展趋势。如图6的患者、他们的平均值从三个医院自2014年以来逐渐增加。这意味着增加恶性前列腺癌患者的数量或比例这将使医疗资源稀缺,所以有必要和迫切需要建立一个基于大数据的辅助医疗决策系统。

因为我们的医疗决策系统可以定量评估前列腺癌的恶性肿瘤,它可以很容易地判断疗效的治疗计划的EM值变化和建议处理方法提高PCa患者根据他们的条件水平。图7显示推荐的治疗方法的病人的EM值和变化EM值非常高。最后的诊断间隔,病人的EM值相对较低,这证明了肿瘤已经被推荐的治疗计划控制。它可以得出结论,推荐的治疗方法系统可以有效改善癌症患者的状况,延长患者的生存时间阶段III或IV。

4.3。相关分析的基础上,系统

因为我们的医疗决策系统可以评估肿瘤的恶性肿瘤,通过控制不同的输入变量,某一因素的影响前列腺癌可以有效地评估。在这里,一些病人的相关信息整理。然后,影响病人的饮食习惯和对前列腺癌基因遗传评估。饮食习惯主要分为高脂肪饮食和non-high-fat饮食根据描述在病人的病史。从2014 - 2018年的数据,可以看出,高脂肪饮食的患者的情况更严重。的EM值高脂肪饮食的患者在150 - 190的范围,而对于那些non-high-fat饮食,EM值只有60 - 70,如图8。

遗传基因被定义为一个癌症病人的家庭成员。结果表明,遗传基因有一个癌症患者恶性肿瘤,患者的6 - 7倍没有遗传基因,可以看到在图9。

5。结论

本文主要建立了一个辅助医疗决策系统的PCa对发展中国家医疗资源缺乏。系统能够为医生提供建议的诊断、分期和治疗前列腺癌的方法。训练后系统在大数据环境下,尽管其准确性继续上升,但仍不能取代专业医生和只能作为辅助诊断系统,以减轻医生的负担。基于这个系统,我们研究前列腺癌的发展在过去的五年里,发现前列腺癌的发病率正在增加。另外,高脂肪饮食和基因遗传疾病的严重程度增加。这项研究的下一阶段将考虑引入其他医疗检测信息,如CT、MRI、磁共振,进一步提高系统的准确性和可信度。

数据可用性

所有的医疗数据管理和系统来自中南大学。如果读者对这些数据感兴趣,你可以访问http://www.xiangya.com.cn/english/。所有数据分析在当前研究中提交。

的利益冲突

作者宣称没有利益冲突。

引用

1. f·布雷,j . Ferlay Soerjomataram, r·l·西格尔,l·a·托瑞和a . Jemal”2018年全球癌症统计数据:GLOBOCAN估计36癌症的发病率和死亡率全球185个国家,“CA:临床医生的癌症杂志》上,卷68,不。6,394 - 424年,2018页。视图:出版商的网站|谷歌学术搜索
2. w·b·m . c . s . Wong郭金,h . h . x王et al .,“全球对前列腺癌的发病率和死亡率:时间在36个国家模式和趋势,分析”欧洲泌尿学,卷70,不。5,862 - 874年,2016页。视图:出版商的网站|谷歌学术搜索
3. j . Ferlay Soerjomataram, r·德里et al .,“全球癌症发病率和死亡率:来源,2012年GLOBOCAN方法和主要模式,”国际癌症杂志》上,卷136,不。5,E359-E386, 2015页。视图:出版商的网站|谷歌学术搜索
4. a . Jemal f·布雷,m . m .中心,j . Ferlay e·沃德·d·福尔曼,“全球癌症统计数据,”CA:临床医生的癌症杂志》上,卷61,不。2、69 - 90年,2011页。视图:出版商的网站|谷歌学术搜索
5. j .吴邦国委员长和z陈,“数据决策和基于移动数据传输健康记录在无线网络传感器设备,“无线个人通信,卷90,不。4、2073 - 2087年,2016页。视图:出版商的网站|谷歌学术搜索
6. j .吴x, y . Tan,“医院评价机制基于移动健康物联网系统在社交网络上,“计算机在生物学和医学卷,109年,第147 - 138页,2019年。视图:出版商的网站|谷歌学术搜索
7. 陈j .吴y, z, m .赵”的决定基于大数据研究非小细胞肺癌在医学人工系统在发展中国家,“计算机在生物医学方法和项目卷,159年,第101 - 87页,2018年。视图:出版商的网站|谷歌学术搜索
8. p . j . Wu关,y . Tan“诊断和数据概率决策基于非小细胞肺癌在医疗系统中,“IEEE访问7卷,第44861 - 44851页,2019年。视图:出版商的网站|谷歌学术搜索
9. 陈j .吴y, z, m .赵“数据决策和基于非小细胞肺癌的药物治疗在大数据的医疗系统在发展中国家,“对称,10卷,不。5,152年,页2018。视图:出版商的网站|谷歌学术搜索
10. b . Malmir m . Amini, s . i . Chang”医学疾病诊断决策支持系统在不确定性下,“专家系统与应用程序卷,88年,第108 - 95页,2017年。视图:出版商的网站|谷歌学术搜索
11. j·吴、陈z和m .赵”社区重组和重复节点遍历的算法在投机取巧的社交网络,”对等网络和应用程序,1 - 8,2020页。视图:出版商的网站|谷歌学术搜索
12. j·吴、陈z和m .赵”一个高效的数据包迭代和传播算法在投机取巧的社交网络,”环境智能和人性化计算杂志》上,1卷,2019页。视图:出版商的网站|谷歌学术搜索
13. a . Tashkandi。威斯,l·威斯,“有效的数据库内病人相似分析个性化医学决策支持系统”大数据的研究卷。13日,52 - 64年,2018页。视图:出版商的网站|谷歌学术搜索
14. t .小林,”化验血液肿瘤标记组合产生的高敏感性和特异性癌症根据自然历史,”癌症医学,7卷,不。3、549 - 556年,2018页。视图:出版商的网站|谷歌学术搜索
15. 齐藤,k .田口:西村et al .,“计算机辅助诊断的临床用途使用组合化验胰脏癌的肿瘤标志物,”癌症,卷72,不。2、381 - 388年,1993页。视图:出版商的网站|谷歌学术搜索
16. b·k·辛格“确定相关生物标志物使用人体测量和预测乳腺癌的临床特点:机器学习范式的比较调查,“生物控制论和生物医学工程,39卷,不。2、393 - 409年,2019页。视图:出版商的网站|谷歌学术搜索
17. m . Lopez-Riera Conde, g .别墅et al .,“非酒精性脂肪肝严重程度的非侵入性的预测:全面、独立的验证之前假设血清microRNA标志物,”科学报告,8卷,不。1,第10615 - 10606页,2018。视图:出版商的网站|谷歌学术搜索
18. b·e·波沙i m·盖恩,v . n . Vapnik“训练分类器算法最优利润,”柯尔特92:《第五届研讨会上计算学习理论,卷。5152年,页144 - ACM出版社,1992年。视图:出版商的网站|谷歌学术搜索
19. r . Vijayarajeswari p高s Vivekanandan, a . a .岜沙”分类的乳房x光检查早期发现乳腺癌的使用支持向量机分类器和霍夫变换,“测量卷,146年,第805 - 800页,2019年。视图:出版商的网站|谷歌学术搜索
20. h . Asri组织h . Mousannif h·a . Moatassime t·诺埃尔,“使用机器学习算法进行乳腺癌风险预测和诊断,”Procedia计算机科学卷,83年,第1069 - 1064页,2016年。视图:出版商的网站|谷歌学术搜索
21. f·A·芭德丽亚的n . Shoaip m . Elmogy A . m .利雅得和h·扎格卢勒,”一个框架基于氨基酸的卵巢癌诊断使用模糊粗糙集与支持向量机”先进的机器学习技术和应用程序。AMLTA 2014。通信在计算机和信息科学》,488卷a . e . Hassanien, m . f . Tolba和a·塔希尔阿扎尔,Eds。施普林格,页389 - 400年,可汗,2014年。视图:出版商的网站|谷歌学术搜索
22. z道,l . Huiling w .了雯雯,y夏,“GA-SVM基于特征选择和参数优化在住院费用建模中,“应用软计算卷,75年,第332 - 323页,2019年。视图:出版商的网站|谷歌学术搜索
23. m . Abdar和诉Makarenkov CWV-BANN-SVM合奏学习分类器的准确诊断乳腺癌,”测量卷,146年,第570 - 557页,2019年。视图:出版商的网站|谷歌学术搜索
24. a·阿瓦德·m·Bader-El-Den j . McNicholas和j·布里格斯,“早期医院重症监护病房患者的死亡率预测使用一个学习方法,“国际医学信息学杂志》上卷,108年,第195 - 185页,2017年。视图:出版商的网站|谷歌学术搜索
25. r . Khasha m . m . Sepehri和s . a . Mahdaviani”一个学习方法对哮喘控制水平检测利用医学知识分类器和监督学习,”医疗系统杂志,43卷,不。6、2019。视图:出版商的网站|谷歌学术搜索
26. r . Punmiya和美国崔承哲,“能源使用梯度增加盗窃探测器和盗窃检测功能工程学预处理,”IEEE智能电网,10卷,不。2、2326 - 2329年,2019页。视图:出版商的网站|谷歌学术搜索
27. g, g .赵c .周和m .任“复合矩阵的随机弹性材料随机孔隙基于径向基函数网络,”国际期刊的计算方法,15卷,不。1,1750082条,2017。视图:出版商的网站|谷歌学术搜索

版权

版权©2020吴贾等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。