胰腺癌生存预测:最新的一项调查

文摘

癌症早期检测增加生存的机会。一些癌症类型,如胰腺癌、挑战性的诊断或检测早期,和阶段发展速度很快。介绍了先进的技术用于癌症生存预测,提出如何实现这些技术在预测的总体生存癌症(pdac)患者胰腺导管腺癌。因为令人眼花缭乱的大量数据,最近的研究强调机器学习的重要性(ML)算法支持向量机和卷积神经网络。癌症研究预测胰腺导管腺癌(pdac)生存范围内41.7%的一年,在三年8.7%,1.9%,五年。之间没有显著相关性发现疾病阶段和总体生存率。ML算法的实现可以提高我们理解癌症恶化。毫升方法需要一个适当的验证级别被认为在日常临床实践中。这些技术的目标是进行分类、预测和评估。准确的预测给病人的病理信息状态,手术治疗要做,优化利用资源,个性化治疗,药物处方,和更好的病人管理。

1。介绍

放射科医生检测pdac肿瘤疾病的症状和病人的历史而不是图像处理。本文研究一些毫升技术用于图像处理来预测pdac总生存期。胰腺的解剖图所示1。

癌症在胰腺是一个挑战,因为很难检测到。没有明显迹象的早期阶段,它迅速转移,有一个贫穷的预测未来的病程。疾病的早期没有症状。在后期阶段,病人会有缺乏食欲和体重。

医学专家建议了解肿瘤类型作为每一个以不同的方式有不同的治疗和行为。研究人员估计,94%的外分泌肿瘤患者患有pdac类型(3]。图2显示了一个pdac [4]。肿瘤大小对整体存活率有很大的影响。更大的肿瘤是通过切除难以治疗的。

准确的预测是至关重要的,因为他们给病理学家信息状态的病人,手术治疗要做,优化利用资源,提供个性化的治疗,药物处方,病人的更好的管理。用于预测包括基因组学和蛋白质组学数据,临床因素,病理图像。需要识别的弱点包括实验设计、数据收集有效的来源,以及分析和结果验证是至关重要的一步,因为它会影响临床决策的预测(5,6]。

毫升技术分类pdac病人和学会预测每个病人的最佳生存期。pdac阶段划分为低、中、高危人群。毫升技术已经用于模型的进展和治疗pdac条件。毫升工具从大型数据集强大的识别功能,这使得它们的使用(7]。

大数据与医生病人会增加压力,使他们更涉及人类生活至关重要的决策时容易出错。机器可以管理这些成像的大量数据错误率较低,证明不胜任的医务人员,从成像数据综合,看到大局。机器可以帮助他们通过评估大量的图像数据,并确定是否有任何模式可疑癌变。机器也可以帮助取代医生或专家在他们的缺席,甚至提供诊断临界情况下(8]。

预测技术模型如毫升(统计多元回归和深度学习(DL))可以用于pdac生存率的预后。必须强化的技术最好的预测性能。图3显示了在预测过程中需要遵循的步骤。本文将对比成像技术在医学的世界里,包括磁分辨率成像(MRI)和计算机断层扫描(CT)。这些成像技术产生需要划分为图像像素类。审查的分割方法,包括那些用于深度学习,目前的技术主要是用于对胰腺癌患者总生存期预测。然后看着特征提取技术,导致分类后必要的特性来提取。深度学习技术实现特征提取和分类总结。

2。医学成像技术

医学成像技术和过程用于观察人体,诊断、监测、医疗状态或治疗,包括一个可视化表示的函数所做的一些器官或组织。成像技术帮助屏幕隐藏特性明显症状之前,诊断条件,发展成现在可见的症状,可能的治疗和管理疾病阶段或反应。这有助于预测pdac患者的总生存期。常见的成像技术是计算机断层扫描(CT)扫描和磁共振成像(MRI)。

血液和其他实验室测试通常确定pdac的存在。在成像胰腺(图4)、计算机断层扫描(CT)和磁共振成像(MRI)被用来帮助确定条件的存在。如果检测到,然后确定阶段,对治疗的反应,从而能够预测患者的总体生存率。

3所示。分割

市场细分是平分一个图像的图像处理能力为多个地区。分割的过程定义良好的语义实体边界的图像,如图5。图像中像素分配标签匹配关系根据其语义属性。

市场细分可以被定义为一个灰度图的二进制集 。

使用图形图像分割降低一些成本,由图像像素。图像像素的相似性和附近摆放在同一个区(13,14]。图切成本(是一组边缘)削减的边的权值之和。

在哪里代表边缘重量 从节点到节点图中,切代表所有边的总和。在图分割,部分是图形图像分区的削减成本减少了。

图像的分割是一对 ,在哪里是近似的 ,在哪里定义在 。能源与分割有关 3项之和:

如果在每个地区实施是常数,

梯度算子和拉普拉斯算符定义如下:(1)梯度算子。一个图像的梯度, ,在一个位置( )被定义为矢量。 (2)拉普拉斯算符。图像的拉普拉斯算子 定义如下:

从CT和MRI医学图像形式要求分割解决各种异常肿瘤和癌症等元素。目前大多数方法,使用基于特征的方法依赖于特征提取的属性由人类专家。这带来了一些挑战人类容易犯错误,错过潜在功能的分割图像。DL解决这个问题通过提供学习技术自动化功能。计算机视觉技术在使用的大多是卷积网络(15,16]。其他算法用于计算机视觉包括生成对抗网络(玲娜),和变分autoencoders (va)是用于解决挑战的生成图像。尺度不变特征变换(筛)是另一个对象在图像检测算法用于肿瘤检测不管图像旋转、定位、或规模17]。

纹理特征可以根据使用(18)和与其他方法实现像细菌觅食算法(BFA)用于分类。研究表明,CAD系统,Haar小波变换,和聚类方法可以实现对准确诊断和处理pdac从MRI和CT图像模式,如表所示1。

不同的图像要求不同的分割技术,因为他们有不同的功能和属性中想象得那样的颜色(灰度图像、二值图像和彩色图像)和纹理(纹理图像和nontextured图片)23]。表2显示了一些不同的分割技术的优点和缺点。

4所示。使用深度学习技术分割

细分技术继续发展和改进来解决不同的挑战。卷积的进化神经网络技术发达,如表所示3和4。基于体系结构或框架,这些技术被分组到一个实例或语义分割30.]。

在语义分割过程中,一个标签分配给图像中每个像素,这是不同于分类,分配一个标签整个画面。语义分割将同一个类的多个对象视为一个单一的实体,包括检测对象在一个图像和分组基于定义的类别。

在实例分割过程中,同一个类的多个对象被视为不同的个体对象或实例。它涉及检测对象内部定义的类别,它比语义分割更加复杂。

4.1。GoogLeNet [31日]

CNN网络在网络层堆叠,基于的概念(32]。GoogLeNet各种过滤器的初始模块是由许多大小应用连接的输入和输出。这些初始模块和过滤器是包含在阀杆,一个标准的体系结构,同时提供了图像特征的提取在不同程度的细节。GoogLeNet不使用完全连接层,而是使用全球平均池,从而减少模型参数。

4.2。ResNet [31日]

火车更深层次网络利用跳过连接。作者训练152 -层深ResNet,他们也成功地训练一个版本有1001层。结合跳过的力量连接除了标准的路径允许网络复制激活每个ResNet块或层,维护信息在处理过程中通过层。各种特性最好的聚集在外部网络,一些需要额外的深度。跳过连接方便同时,提高网络的灵活性,当给定的输入数据。跳过连接允许网络学习残差,从而使ResNets优势进行提高。

4.3。U-Net [33,34]

U-Net是非常受欢迎和成功的网络分割的2 d图像。当美联储一个输入图像时,首先通过“传统”CNN downsampled upsampled之前使用的转置旋转,直到达到原来的大小。此外,基于ResNet的想法,有跳过连接连接特性从downsampling upsampling路径。这是一个完全卷积网络,使用中首次引入的概念[35]。

4.4。V-Net [34]

V-Net是一个三维的版本U-Net ResNet体积分布和跳过连接。

5。特征提取技术

转化的技术发掘共同特征和形状在一个图像,提取图像属性,区分它的一系列图像。CT和MRI图像复杂,特征提取方法的应用是有限的。图像特征可以被认为是基本属性或突出的特性实现图像。是在表5特征提取方法,使用四个图像特征,纹理特征,色彩形象特征、形状特征、空间关系(46- - - - - -48]。在[49),作者分类特征提取到拓扑和几何特性,统计特性和级数展开特性和全球变换。

,许多研究人员研究发现皮肤癌、乳腺癌和脑癌。不同的算法已经成功地应用这些肿瘤的早期诊断。人工神经网络(ann)已经实现了检测皮肤癌(50]。他们预处理图像去除噪声,提高图像的。小波变换用于特征提取,然后,肿瘤是使用反向传播神经网络分类。

必须正确地描绘对象分类的特性。形状特征和特征提取方法都可以基于边界特征或区域特征。形状特征提取的方法是boundary-based和提出。形状特征提取缺乏数学模型,如果改变了,结果是不可靠的,和准确性取决于presegmentation效应(49,51- - - - - -55]。

小波分解用于脑部肿瘤检测。应用灰度共生矩阵建立的灰度级同现矩阵()用于特征提取,而概率神经网络用于进一步的分类(56]。另一个脑瘤检测算法是使用人工神经网络模糊推理系统(57]。各种监督学习技术用于检测乳腺癌。这些包括主成分分析(PCA)的特征提取和支持向量机(svm)和邻居的分类(5]。如上所述,各种参数和非参数分类器可用于分类和检测不同肿瘤根据肿瘤的特性。

降维是用于机器学习和统计减少特性集的数量,分为特征选择和特征提取58,59]。特征提取被称为降维(60]。输入矩阵 ,的维度 ,是 我们有一个样本由行和变量由列表示。特征提取算法将从这一转变所需的必备特征提取。

图像纹理分析是目前用于预测肿瘤的异质性。然而,只有少数的研究报道纹理分析肿瘤异质性的pdac [61年]。

边缘检测的对比或图像的强度的差异。提请注意这检测在图像的边界特征,同样一个人类的视觉感知物体的周长,这是不同的与它的环境。从根本上是图像的边界不同强度级别或对比(13,14,62年]。边缘位置的变异,是一阶的微分探测到。强度变化表明通过改变相邻像素。如果计算图像 ,水平探测器边缘两个横向相邻点之间创建一个强度变化,因此检测垂直边缘, ,如下:

垂直边缘检测器需要相邻的垂直变化点检测水平边缘使用垂直边缘探测器, ,如下:

我们可以把两者结合起来形成一个操作符检测水平和垂直方向的边缘。也就是说,

这给了 鉴于不同模板的系数可以一起扭一个图像来检测边缘点。

应用灰度共生矩阵建立灰度级同现矩阵()和直方图分析方法采用纹理分析根据其纹理对象进行分类。评价的灰色水平放置、规律性和粗糙的损坏或不正常胰腺组织的变化,计算机视觉和机器学习算法可以分析CT和MRI图像提供相关形态细节pdac肿瘤异质性。

6。生存预测模型评估

传统的诊断模型像流行的美国癌症联合委员会(与)tumour-node-metastasis (TNM)模型用于癌症诊断。根据(7,8),面临的挑战是,他们不预测癌症患者的总体生存。研究探讨了不同的ML技术用于pdac生存率的预测。

毫升技术分类pdac病人和学会预测每个病人的最佳生存期。pdac阶段划分为低、中、高危人群。毫升技术已经用于模型的进展和治疗pdac条件。毫升工具从大型数据集强大的识别功能,这使得它们的使用。

大数据与医生病人会增加压力,使他们更涉及人类生活至关重要的决策时容易出错。机器可以管理这些成像的大量数据错误率较低,证明不胜任的医务人员,从成像数据综合,看到大局。机器可以帮助他们通过评估大量的图像数据,并确定是否有任何模式可疑癌变。机器也可以帮助取代医生或专家有时甚至缺失,并提供诊断的关键的情况下。毫升可以监督学习和无监督学习,如图6。

监督学习(图7)通常是在分类的背景下实现的,映射的输入输出标签,或回归,连续映射的输入输出。

回归和分类,目的是找出特定关系或结构输入临床数据的正确生成输出病人临床资料,确定完全从临床训练数据。当进行监督学习,主要情节模型complexness和偏见方差权衡。

模型的复杂性是指函数的complexness试图学习。图8展示的数据分析类型,说明了每种类型的复杂性。适当的水平的模型复杂性的本质是由病人的临床训练数据,数据的渺小,分布在不同的可能的假设。

无监督学习需要表示学习、密度估计和集群进行。我们需要病人的临床数据的内在结构不使用显式地提供标签。因为没有提供标签,没有特定的方法来比较模型的性能在大多数非监督学习方法。探索性分析和降维是无监督学习的常见用例。无监督学习是强大的识别隐藏的结构在病人的临床资料。多年来,癌症生存预测模型是实现决策树(DTs)技术,支持向量机(svm),贝叶斯网络,人工神经网络(ann)。需要验证这些机器学习方法用于癌症的进展分析被用于医疗实践。

毫升已经实现癌症预后或总体生存预测(63年]。研究提出了最后一年的大部分时间里专注于发展预测模型使用监督毫升方法来预测疾病的结果(64年准确)。基于分析的结果,可以得出结论,多维异构数据的集成,与应用程序的不同模型对特征选择和病人的数据分类,可以帮助pdac患者的总体生存预测模型有用的工具(65年]。

许多进化算法被实现成解决挑战与特征选择和分类分析基因表达数据。遗传算法(65年- - - - - -67年)实现创建选择器与每个等位基因与一个基因,并告诉是否选中状态。遗传规划实际上是适用于发现隐藏的功能在复杂的数据集。它有利于确定从医疗数据基于规则的分类器和基因表达分析。

随机森林生存right-censored生存数据的分析方法是由(68年]。新的生存分裂规则对增长生存的树木和conservation-of-event原则提出了森林生存定义一个可衡量的死亡率作为预测的结果。

一些论文提出了前馈神经网络的使用。人工神经网络(69年)实施两年来对病人和网络预测死亡的12个月相比,外科医生。人工神经网络预测精度达到了95% (32]。

从复杂数据集的技术可以检测特性。根据(66年),遗传规划可以使自动特征选择。他们表明,遗传规划执行实质上比支持向量机、多层感知器和随机森林分类。据(70年),结果表明与高精度频率使用安生存任何恶性肿瘤的预测。然而,他们建议安和模糊逻辑结合93%的准确率,优越的和强大的。

简短回顾当前的算法被用于毫升,如支持向量机(71年- - - - - -73年],朴素贝叶斯[74年),逻辑回归75年)、遗传算法、决策树,安,然而算法完成。一个基于semisupervised学习范式,利用未标记的和标签数据训练模型时使用。其他semisupervised学习(SSL)是自我训练,cotraining和转换式支持向量机。

根据研究[76年),为肺癌,研究选择线性回归,决策树,集成学习算法,随机森林,梯度提高机器logistic-based方法。支持向量机被用来和五模型的预测最终的预测。的研究(77年)得出的结论是,分类和回归树(车)相比,安也使用预测模式。安比车模型更准确。比较了三种不同的技术是在78年),支持向量机,决策树,再邻居。支持向量机是最好的演员。

然而,在(79年),提取的特征作为输入用于反向传播神经网络和逻辑回归(LR)和准确性的两种算法进行了比较。LR是最好的给予更多的特性。随机森林(80年)被用作生物医学分类器,两个变量的提议,即Forest-RK和动态随机森林81年]。

在生存预测癌症35,82年- - - - - -84年),他们用卷积神经网络(cnn)的分类和特征提取的帮助下基于病理图像的计算机辅助诊断(CAD)。肿瘤可以通过实施监督的特点毫升(85年标签数据,使用支持向量机作为最先进的分类算法。实验证明先进的ML技术可以有效地或同样比传统技术(线性和逻辑回归)是(86年]。执行的所有算法使用Weka毫升工作台。ML算法是线性回归,洗和逻辑回归。他们使用朴素贝叶斯分类的算法,J4.8 (C4.5算法),再,猛烈的一击,局部加权学习,贝叶斯网。

结肠癌的预测(87年)实施监督分类技术。合成少数过采样技术(杀)被用来平衡生存和nonsurvival类。合奏的三种分类器投票,结果发现最好的预测性能预测准确性和接受者操作特征(ROC)曲线下的面积。的研究(88年)提出了一个semisupervised模型试图解决数据稀缺的癌症数据集。系综分类用于学习未标记的数据。车工具帮助处理缺失属性值通过使用代理分割技术。毫升技术可以分为以下几点:(1)统计技术(2)深度学习(DL)

6.1。统计技术

根据(3,63年),威布尔分布来估计总体实现生存。这是广泛使用的技术统计数据与案件,认为生活的行为。作者指出,α是呈现63.2%的预测事件发生的概率。β是用来表示越来越多的概率( )和减少( )。如果接近1,然后是指数分布不变的机会率。

研究[8,89年)使用cox比例风险评估预后的独立影响因素。这也是实现评估肿瘤淋巴结转移之间的关系(tnm) [63年]。歌等。8)学生的使用 - - - - - -测试或卡方检验比较疾病特征。kaplan meier用于生存因素的评估。等级测试用来测试存活曲线变化。他们认为,他们的模型能够提供定量预测个体的癌症患者。歌等人,et al。8,89年)设计了一个图形化的诺模图使用R统计软件包使用统计分析。c指数是用于验证列线图的预测精度。

6.2。深度学习

深度学习是毫升的一个子集,非监督学习算法从非结构化的或未标记的数据。神经网络(图9)设计基于生物神经网络有许多隐藏层从数据中提取特征使用互连节点矩阵模仿人类大脑是如何工作的。

一个节点是一个人工神经网络的基本单元。输入特性集使用数学函数乘以相应的权重,传递到下一个节点的输出层。这些输出是重达已知事实。它autoadjusts权重使用错误反馈迭代期间减少未来的错误(90年,91年]。

深度学习升至突出的位置在计算机视觉神经网络开始优于其他方法在几个引人注目的图像分析基准。

深的主要共同特征的学习方法是学习他们的关注特性:自动学习数据表示。发现功能和执行一个任务都合并成一个问题,因此同样的训练过程中改善(31日]。

在胰腺肿瘤检测图像是通过使用CNN,提取图像特征,根据提取的特征对肿瘤进行分类。各种机器学习中分类用于特征提取包括朴素贝叶斯分类、支持向量机、和物流功能。CNN提供所需的信息使用卷积方法在三个步骤:卷积,池、和填充层的输入和输出图像。地区卷积神经网络(R-CNN)是用于提取图像特征从一个特定的地区。CNN将作为特征提取器。

(92年建议深度学习和将其描述为无监督学习的类别。分割使用CNN主要用于图像处理的机器学习。它需要提供部分胰腺图像卷积神经网络的输入。CNN标签像素,每个像素分类确定上下文识别图像。一段代表了在胰腺肿瘤或superpixels图像或部分。图像是在三个层面进行分析:分类、肿瘤检测和分割。分割明显检测肿瘤,分类成不同的类。

6.2.1。深度学习框架和图像处理平台

开发图像处理需要特别复杂的机器学习模型平台和框架。一些流行的框架TensorFlow PyTorch。

(1)TensorFlow [93年]。谷歌TensorFlow开发,这是一个开源框架支持机器学习和深入学习。TensorFlow促进创建和自定义深度学习模型的训练。框架有一组库,包括图像处理和计算机视觉应用程序项目。

(2)PyTorch [94年]。PyTorch Facebook是一个开源的深度学习框架设计的人工智能研究实验室(公平)。这个Torch-based框架Python, c++, Java接口。PyTorch用于构建计算机视觉和图像处理应用程序。

6.2.2。神经网络在图像处理

研究神经网络做了多年,在机器学习,改进,华丽的原因今天医学成像和计算机视觉技术的进展。最成功的机器学习模型图像处理实现神经网络和深度学习。例子包括面具R-CNN和完全卷积网络。

(1)R-CNN面具。面具R-CNN [95年)是一种更快R-CNN-based深层神经网络中分离肿瘤图像处理。这个神经网络执行分割并生成面具和边界框。神经网络可调、灵活和有效的与其他技术相比。面具R-CNN差实时处理,神经网络是巨大的和掩模层缓慢的性能,主要是如果R-CNN相比更快。例如,分割,掩盖R-CNN是一种非常有效的技术。

(2)完全卷积网络(FCN)。FCN [40)是由伯克利大学的研究人员开发的。CNN卷积层而不是FCN,常规,完全连接层。这种差异使FCN管理各种输入大小。同时,FCNs使用将采样和upsampling为卷积函数降低计算成本。

7所示。pdac生存预测

有可能延迟诊断pdac会导致集中可切除的肿瘤发展成不可切除的诊断的时间(96年]。他们估计,可能需要超过一年平均T1-stage pdac发育成T4-stage肿瘤。CT / MRI扫描由放射科医生对其他医疗目的而不是专注于胰腺是有用的筛查pdac降低成本,时间,或者辐射(97年]。深度学习已经被证明作为一个工具在计算机辅助诊断处置放射科医生指微小的变化可能导致的胰腺异常,健康专家可以错过。

很少有研究评估pdac肿瘤的检测使用深度学习技术(98年]。根据(99年),他们研究CT扫描使用深度学习网络从303年pdac病人和136个正常的测试数据。结果显示pdac检测的敏感性94.1%,特异性98.5%。的研究(One hundred.)使用370病人患有pdac CT扫描和320测试数据研究深度网络pdac肿瘤检测的有效性。精度为98.8%,特异性99.3%,98.3%的敏感性。这项研究证明了一个很深的网络,如果实现检测pdac,比放射科医生更敏感。结果表明,约有91.7%的肿瘤错过了放射科医生可以通过网络和正确分类关注肿瘤小于2厘米大小,实现92.1%的敏感性。

深度学习的优势是在传统方法,随着网络可以自动地适应和现代化特征从大数据而不是已经添加功能。深度学习是有效的,它可以快速接受新胰腺复杂图像特征表示92年]。

卷积神经网络(cnn)是一个类别的深度学习网络开发精确的图像处理。神经元网络,模拟人类大脑中的神经元。cnn比其他神经元网络,需要更少的预处理操作和网络学习所需的过滤器和特征在训练而不是使用hand-engineered过滤器。它们与层多层神经网络组织在三个维度:体重、身高、和深度。他们有两个部分:特征提取和分类17,98年,One hundred.]。

完全实现卷积网络(FCN)是适当的神经网络在图像分割任务将处理过的图像分为许多像素标签和分类。流行的语义分割的例子FCNs RefineNet DeepLab。

U-Net卷积神经网络,允许快速和精确的图像分割。U-Net设计特别是复杂的任务在生物医学图像的分割处理。U-Net采用u型的体系结构构建的更多特性渠道upsampling部分,这样的网络传播上下文信息(高分辨率层34]。

在特征提取,CNN运行许多隆起和池功能检测特性用于图像分类。网络算法预测胰腺肿瘤的图像分类的概率计算组件。

技术采用深度学习用于pdac发展的预测和预后。他们集中在三个主要领域:癌症易感性的预测,预测的pdac复发,和pdac生存率的预测。本文第三情况,预测几个可能的参数描述pdac发展存活时间、预期寿命和进展。总体生存率和pdac复发主要依赖于医疗和诊断的质量101年]。

8。数据集

根据研究[102年),他们用癌症成像存档(TCIA)公共访问数据集,包括3 d CT扫描 - - - - - -像素的分辨率的53岁男性和女性受试者27日18 - 76岁年龄段。刘等人。One hundred.)实现CNN台湾中心与对比度增强CT图像数据集的370 pdac患者和320名对照。这些数据集可以用来研究pdac总生存期的预测使用CT图像和毫升或深度学习技巧。

9。期预测

根据(63年),他们认为一年,三年,五年,但87年)三年减少到两个。而在(65年),使用了高或低。跟进五年(32内)和预测死亡9、12、15、18、21、24个月。然而,他们不同与7),因为他们使用了六个,12和24个月。很短的生存时间更喜欢不到六个月给准确的结果在开发预测模型(103年]。一些作者(89年)使用三个风险组总体生存中值为11.7,7.0和3.7个月。短期和长期使用的类(104年,105年]。根据(77年),五年存活率与零输出预测死亡,一个活着,归类为好,中间或贫穷。

10。验证方法

在库鲁的研究等。65年)方法用于评价分类器的性能是抵抗方法,引导,随机抽样和交叉验证。根据(8,89年),他们验证计算图表使用歧视和校准和使用引导重采样。歧视之间的生存概率和实际观测评估使用c指数。校准情节构建实际确定预测的和谐生存和生存。

十倍交叉验证方法采用(76年)测量预测模型的无偏估计(DTs、安和支持向量机)。然而,(104年叫它 - - - - - -折交叉验证,根据因子( )使用。根据(105年),他们用leave-one-out-cross-validation (LOOCV)协议。

11。结论

本文综述机器学习技术实现在胰腺癌患者的总生存期预测,也就是说,统计和DL方法。毫升方法明显被证明是有效的,如果应用到pdac的总体生存预测。用于预测包括基因组学和蛋白质组学数据,临床因素,病理图像。需要识别的弱点在实验设计、数据收集好来源,分析和验证结果是至关重要的,因为它会影响临床决策的预测。需要一个个性化的生存预测计算模型,该模型可以帮助和提供具体的治疗决策。所做的评论在大多数的研究中,我们发现,为一体的各种特征提取、分割和分类,DL技术可以提供一个有用的预测工具最好作出准确的预测,将协助病理学家做出明智的决定。

实现框架和平台PyTorch和TensorFlow发展中计算机视觉和图像处理显著提高pdac患者的总生存期的预测。各种神经网络解决各种图像处理任务部署,从二进制分类实例分割。选择适当的类型和结构的神经网络是很重要的在创造一个高效的基于机器学习图像处理的解决方案。最常用的神经网络在CNN和FCN DL。U-Net模型主要实现图像处理任务和显示高度的准确性。

作者建议加强不同的DL技术为了想出一个有效的pdac预测模型。一个端到端的模式将使用DL技术预测提出了pdac患者的总体生存率。

数据可用性

没有数据被用于本文的研究论文。

的利益冲突

作者宣称没有利益冲突。

引用

1. 胰腺癌是什么,2021,https://www.cancer.org/cancer/pancreatic-cancer/about/what-is-pancreatic-cancer.html。
2. 问:张、曾l . y . Chen等人“胰腺癌流行病学、检测和管理。”胃肠病学研究和实践卷,2016篇文章ID 8962321, 10页,2016。视图:出版商的网站|谷歌学术搜索
3. a·c·洛克哈特m . l . Rothenberg和j·d·柏林”治疗胰腺癌:目前治疗和持续进步,”胃肠病学,卷128,不。6,1642 - 1654年,2005页。视图:出版商的网站|谷歌学术搜索
4. j .沙美国检验,诉Turkar“胰腺肿瘤检测使用图像处理,”Procedia计算机科学卷,49岁,16,2015页。视图:出版商的网站|谷歌学术搜索
5. a . Osareh和b . Shadgar“机器学习技术来诊断乳腺癌,”2010年第五届国际研讨会上卫生信息学和生物信息学,页114 - 120,安卡拉,土耳其,2010。视图:谷歌学术搜索
6. a Safiyari和r . Javidan”,使用集成学习方法预测肺癌生存能力”2017年智能系统会议(IntelliSys),页684 - 688,伦敦,英国,2017年。视图:谷歌学术搜索
7. m·h·奥斯曼”胰腺癌生存预测使用机器学习和比较其性能和TNM分期系统和预后列线图,”AACR年会2019亚特兰大,乔治亚州,2019年。视图:谷歌学术搜索
8. w·歌,D.-L。苗族,l·陈,“诺模图预测胰腺癌患者的生存期,“Oncotargets和治疗11卷,第545 - 539页,2018年。视图:出版商的网站|谷歌学术搜索
9. “模式”,2020年,https://www.medicalimaging.org/about-mita/medical-imaging-primer/。视图:谷歌学术搜索
10. “成像解释道,“2020年,https://www.nps.org.au/consumers/imaging-explained。视图:谷歌学术搜索
11. p . Nordbeck g . Ertl o·里特,“磁共振成像起搏器植入心律转复除颤器和患者安全:我们走了多远?”欧洲心脏杂志》上,36卷,不。24日,第1511 - 1505页,2015年。视图:出版商的网站|谷歌学术搜索
12. 诊断成像,2019,https://www.who.int/diagnostic_imaging/en/。
13. r . Szeliski计算机视觉:算法和应用程序施普林格科学与商业媒体,2010年。
14. l·罗斯和j·c·拉斯,“图像处理手册》第六版,约翰·c·拉斯。CRC出版社,2011年,佛罗里达州波卡拉顿972页。ISBN 1-4398-4045-0(精装)。”显微镜和显微分析,17卷,不。5,843年,页2011。视图:出版商的网站|谷歌学术搜索
15. k·k·古普塔:Dhanda,美国Kumar“医学图像分割技术的比较研究脑部肿瘤检测”2018年4日计算沟通与自动化国际会议上(ICCCA),页1 - 4,大诺伊达,印度,2018。视图:谷歌学术搜索
16. h·高,l .窦w·陈,g .谢”的应用图像分割技术在医学ct图像,”学报》第30届中国控制会议烟台,页3296 - 3299年,中国,2011。视图:谷歌学术搜索
17. a . n, O’mahony美国坎贝尔卡瓦略et al .,“深度学习与传统的计算机视觉,”科学和信息发布会施普林格,页128 - 144年,2019年。视图:谷歌学术搜索
18. a .信德和诉罗达”,胰腺肿瘤分割最近医学imaging-an概述,”国际会议上计算愿景和生物启发计算施普林格,页514 - 522年,2019年。视图:谷歌学术搜索
19. t . d . Tam和n . t .“有效胰腺基于区域增长分割在计算机断层扫描,”国际会议上的计算和通信施普林格,页332 - 340年,2014年。视图:谷歌学术搜索
20. r . Balakrishna r .阿南丹,“软计算分析检测胰腺癌使用MATLAB,”国际纯粹和应用数学杂志》上,卷119,不。18日,第392 - 379页,2018年。视图:谷歌学术搜索
21. 法拉克,l·卢h·r·罗斯e . Turkbey j . Liu和r·m·萨默斯“胰腺的自底向上的方法分割使用级联superpixels和图像补丁标签(深),“IEEE图像处理,26卷,不。1,第399 - 386页,2017。视图:谷歌学术搜索
22. c . k . k . Reddy, g·拉贾和p . Anisha”检测胰腺癌使用集群和小波变换技术,”2015年国际会议上计算情报和通信网络(CICN)贾巴尔普尔,页332 - 336年,印度,2015。视图:谷歌学术搜索
23. n . Shareef d·l·王,r . Yagel”分割医学图像使用军团。”IEEE医学成像,18卷,不。1,第91 - 74页,1999。视图:出版商的网站|谷歌学术搜索
24. A . Kumar“三维医学图像的分割方法的选择感兴趣的区域(ROI),”2018年第三届国际物联网大会:智能创新和用法(IoT-SIU),页1 - 5,Bhimtal,印度,2018。视图:谷歌学术搜索
25. d·古普塔和r . Anand混合edge-based超声医学图像分割方法,”生物医学信号处理和控制31卷,第126 - 116页,2017年。视图:出版商的网站|谷歌学术搜索
26. h .损失”,模糊规则的医学图像分割方法分析,“国际计算机通信与控制杂志》上,8卷,不。2、196 - 205年,2013页。视图:出版商的网站|谷歌学术搜索
27. Balasubramanian r . b . Jeyavathana r ., A . A . Pandian”:一项调查分析医学图像预处理和分割技术,”国际期刊的研究和科学创新(IJRSI),3卷,2016年。视图:谷歌学术搜索
28. y马、美国Sastry和r·维达尔“广义主成分分析,跨学科的应用数学卷,43 - 2015页。视图:谷歌学术搜索
29. c . l . Chowdhary和d . Acharjya”在医学影像分割和特征提取:系统回顾,“Procedia计算机科学卷。167年,26-36,2020页。视图:出版商的网站|谷歌学术搜索
30. j . Ruiz-Santaquiteria g·布埃诺,o . Deniz n . Vallez和g .克里斯托瓦尔”语义分割在显微藻类检测与实例,”人工智能技术的工程应用第103271条,卷。87年,2020年。视图:出版商的网站|谷歌学术搜索
31. a . s . Lundervold和a . Lundervold”深度学习的概述在医学成像聚焦MRI,”Zeitschrift四Medizinische物理学卷,29号2、102 - 127年,2019页。视图:出版商的网站|谷歌学术搜索
32. f·e·艾哈迈德,“人工神经网络诊断和生存预测结肠癌,”分子癌症,4卷,不。1,p。29日,2005。视图:出版商的网站|谷歌学术搜索
33. 杨y、c·冯和r·王”自动分割模型结合U-Net和水平集方法对医学图像,”专家系统与应用程序卷,153年,第113419 - 113419页,2020年。视图:出版商的网站|谷歌学术搜索
34. o . Ronneberger、p·费舍尔和t . Brox”U-net:卷积网络生物医学图像分割”医学影像计算和计算机辅助介入的国际会议施普林格,页234 - 241年,2015年。视图:谷歌学术搜索
35. 、j . k . Dmitriev马里诺、k·贝克和a·e·考夫曼”的视觉分析胰腺病变的计算机辅助诊断系统,”IEEE可视化和计算机图形学,27卷,2019年。视图:出版商的网站|谷歌学术搜索
36. n .冯、耿x和l .秦”研究mri医学图像分割技术基于cnn-crf模型,”IEEE访问,8卷,第60514 - 60505页,2020年。视图:出版商的网站|谷歌学术搜索
37. b . Yu和z的粉丝”,全面审查的条件随机域:变异,混合动力车和应用,“人工智能审查53卷,第4333 - 4289页,2019年。视图:谷歌学术搜索
38. 诉Badrinarayanan, a·肯德尔和r . Cipolla”Segnet:深卷积encoderdecoder架构对于图像分割,“IEEE模式分析与机器智能,39卷,不。12日,第2495 - 2481页,2017年。视图:出版商的网站|谷歌学术搜索
39. a . Paszke a Chaurasia、s . Kim和e . Culurciello“硅谷动力:深神经网络架构实时语义分割,“2016年,https://arxiv.org/abs/1606.02147。视图:谷歌学术搜索
40. f . Milletari:布和美国。艾哈迈迪,“V-net:完全卷积神经网络容量医学图像分割”2016年第四次国际会议3 d视觉(3 dv)斯坦福大学,页565 - 571年,CA,美国,2016年。视图:谷歌学术搜索
41. t·m·米塔尔m . Arora Pandey, l . m . Goyal”使用深度学习技术图像分割在医学图像,”进步的机器智能交互式医学图像分析施普林格,页41 - 63年,2020年。视图:谷歌学术搜索
42. C.-W。谢,H.-Y。周,j .吴”漩涡池:改善上下文语义分割表示,“2018年,https://arxiv.org/abs/1804.06242。视图:谷歌学术搜索
43. s . Almotairi g . Kareem m . Aouf b . Almutairi和m . a m。萨勒姆,“肝肿瘤分割使用修改SegNet CT扫描,”传感器,20卷,不。5,1516年,页2020。视图:出版商的网站|谷歌学术搜索
44. 郭y, y刘、t·乔治奥和m . s .卢”的语义分割使用深层神经网络,”国际期刊的多媒体信息检索,7卷,不。2、87 - 93年,2018页。视图:出版商的网站|谷歌学术搜索
45. T.-y。Ko工程学系。李,“小说语义细分法适用于增强现实,”传感器,20卷,不。6,1737年,页2020。视图:出版商的网站|谷歌学术搜索
46. p . l . e . s . Soumya p·巴兰,“调查在图像处理、特征提取技术”国际期刊的研究应用科学工程技术(IJRASET)》第六卷,没有。3、217 - 222年,2018页。视图:出版商的网站|谷歌学术搜索
47. m . m . Sahu a Saxena, m . Manoria”特征提取技术的应用程序:一个评论,”国际计算机科学与信息技术杂志》上4卷,第3016 - 3014页,2015年。视图:谷歌学术搜索
48. n·古普塔和v . a . Athavale”比较研究不同的低层次特征提取为基于内容的图像检索技术,”国际期刊的计算机技术和电子工程(IJCTEE),1卷,2011年。视图:谷歌学术搜索
49. d . p .田”,审查技术,图像特征提取和表示“国际多媒体和无处不在的工程杂志》上,8卷,不。4、385 - 396年,2013页。视图:谷歌学术搜索
50. j . a,的加里奥(Jaleel) s萨利姆,r . Aswin“皮肤癌,基于人工神经网络的检测”国际先进研究期刊》的研究在电子、电子、仪表工程,1卷,不。3,2012。视图:谷歌学术搜索
51. s . A . Medjahed”,在图像分类、特征提取方法的比较研究”国际期刊的图像、图形和信号处理,7卷,不。3,16-23,2015页。视图:出版商的网站|谷歌学术搜索
52. r . Rouhi m . Amiri, b . Irannejad”人脸识别中的特征提取技术审查,”信号与图像处理,3卷,不。6 p。2012。视图:谷歌学术搜索
53. k . k . Pachouri“比较分析和各种特征提取技术的调查,“国际计算机科学与信息技术杂志》上》第六卷,第379 - 377页,2015年。视图:谷歌学术搜索
54. z . m .希拉和d . f . Gillies回顾特征选择和特征提取方法应用于微阵列数据,”生物信息学的发展文章ID 198363卷,2015年,13页,2015。视图:出版商的网站|谷歌学术搜索
55. w·s·h·m·w·艾哈迈德和m . f . a . Fauzi”的比较不同的特征提取技术在基于内容的图像检索脑部CT图像,”2008年IEEE 10日研讨会多媒体信号处理凯恩斯,页503 - 508年,昆士兰,澳大利亚,2008年。视图:谷歌学术搜索
56. p .约翰,“大脑肿瘤分类使用小波神经网络和基于纹理的,”国际科学与工程研究杂志》上,3卷,不。10、1 - 7,2012页。视图:谷歌学术搜索
57. m·沙玛,“人工神经网络模糊推理系统(简称ANFIS)脑部肿瘤检测,”2012年,https://arxiv.org/abs/1212.0059。视图:谷歌学术搜索
58. j .先生、美国Rangu和p . Manogna”一项调查在不同的特征提取和分类技术用于图像隐写式密码解密,”《信息安全,8卷,不。3、186 - 202年,2017页。视图:出版商的网站|谷歌学术搜索
59. 拉蒂夫,a·拉希德,Sajid et al .,“基于内容的图像检索和特征提取:一个全面的审查,”数学问题在工程卷,2019篇文章ID 9658350, 21页,2019。视图:出版商的网站|谷歌学术搜索
60. 中州。刘,学术界。陈,p . C.-P。曹国伟,“数学方法应用于数字图像处理,数学问题在工程ID 480523条,卷。2014年,4页,2014。视图:出版商的网站|谷歌学术搜索
61. j . Chakraborty l . Langdon-Embry k . m . Cunanan et al .,“初步研究肿瘤的异质性在成像预测两年生存在胰腺癌患者中,“《公共科学图书馆•综合》,12卷,不。12篇文章e0188022 2017。视图:出版商的网站|谷歌学术搜索
62. m·尼克松和a . Aguado对计算机视觉特征提取和图像处理、学术出版社,2020年。
63. d . Timofte m . Blaj f . Petrariu l . Ionescu和l . Ochiuz“罗马尼亚胰腺癌患者生存预测,”手术(Jurnalul de Chirurgie)杂志,13卷,不。2,59 - 61年,2017页。视图:出版商的网站|谷歌学术搜索
64. “j·a·克鲁斯和d s Wishart机器学习的应用在癌症预测和预后,”癌症信息学,2卷,2006年。视图:出版商的网站|谷歌学术搜索
65. k .库鲁t . p . Exarchos k . p . Exarchos m v•卡拉和d . i Fotiadis“机器学习应用于癌症的预后和预测,“计算和结构生物技术杂志卷。13日,8,2015页。视图:出版商的网站|谷歌学术搜索
66. l . Vanneschi A . Farinaccio g .毛里m . Antoniotti p . Provero和m . Giacobini”比较的机器学习技术生存预测乳腺癌,”个人经历矿业,4卷,不。1,p。2011。视图:出版商的网站|谷歌学术搜索
67. m . j . van de Vijver y . d, l . j . van ' t转向et al .,“基因表达特征作为预测乳腺癌的生存”新英格兰医学杂志》上,卷347,不。25日,第2009 - 1999页,2002年。视图:出版商的网站|谷歌学术搜索
68. h . Ishwaran和m .陆随机生存的森林威利StatsRef:统计参考在线,2014年。
69. m·h·谢L.-M。太阳,C.-L。林,蔡明俊。谢长廷,彭译葶。许,学术界。花王”发展预测模型对胰腺癌在2型糖尿病患者使用逻辑回归和人工神经网络模型,”癌症管理和研究,10卷,第6324 - 6317页,2018年。视图:出版商的网站|谷歌学术搜索
70. a . Bashiri m . Ghazisaeedi r . Safdari l . Shahmoradi h . Ehtesham,“改善癌症患者生存的预测使用机器学习技术:基因表达数据的经验:叙事评论,”伊朗公共卫生杂志》上,46卷,不。2、165 - 172年,2017页。视图:出版商的网站|谷歌学术搜索
71. x张、j·肖和f .顾”将支持向量机应用于癌症分类,电子健康记录”2019年春季模拟会议(SpringSim)美国亚利桑那州图森市,页1 - 9,2019。视图:谷歌学术搜索
72. 王m和h·陈,“混沌multi-swarm鲸鱼优化器提高了支持向量机用于医学诊断,”应用软计算第105946条,卷。88年,2020年。视图:出版商的网站|谷歌学术搜索
73. s h . Chen Li a Asghar Heidari对伊朗伊斯兰共和国通讯社表示,“高效multi-population前哨水果fly-driven优化:框架和支持向量机的进步,”专家系统与应用程序第112999条,卷。142年,2020年。视图:出版商的网站|谷歌学术搜索
74. h .贝聿铭b·杨,j·刘,k . Chang“通过稀疏贝叶斯学习小组,积极监测”IEEE模式分析与机器智能,p . 2020。视图:出版商的网站|谷歌学术搜索
75. 瓶,d .斯特林,m . et al .,“机器学习技术的比较研究改进预测非小细胞肺癌的生存分析,”2018年IEEE核科学研讨会和医学影像会议论文集(NSS /麦克风),页1 - 2日,悉尼新南威尔士,澳大利亚,2018年。视图:谷歌学术搜索
76. c·m·林奇b . Abdollahi j·d·福et al .,“预测肺癌患者生存通过监督机器学习分类技术,”国际医学信息学杂志》上卷,108年,页1 - 8,2017。视图:出版商的网站|谷歌学术搜索
77. C.-M。陈,彭译葶。许,H.-W。赵,h。劳,“预测肝癌患者的生存期使用人工神经网络和分类和回归树,”2011年第七次国际会议对自然计算,卷2,页811 - 815,上海,中国,2011。视图:谷歌学术搜索
78. m . s . Kim今敏,h·李,“基因表达分类器的一些比较,”2016年IEEE国际生物信息学和生物医学会议(BIBM),页1753 - 1756,深圳,中国,2016。视图:谷歌学术搜索
79. r . Al-Hadidi a Alarabeyyat, m . Alhanahnah”乳腺癌检测使用再机器学习算法,”2016年9日eSystems工程(DeSE)发展国际会议英国,页35-39,利物浦2016年。视图:谷歌学术搜索
80. e . t . Decaens c巴龙Assenat et al .,“二期疗效和安全性数据(pts)的患者中抑制剂tepotinib会见了sorafenib-treated先进的肝细胞癌(HCC),“《肿瘤学viii235条,卷。29日,2018年。视图:出版商的网站|谷歌学术搜索
81. l . Heutte”主题3:随机森林生物医学数据分类”2017年IEEE国际会议信号和图像处理应用程序(ICSIPA)第九页,古晋,马来西亚,2017年。视图:谷歌学术搜索
82. c . Haarburger p . Weitz o . Rippel, d . Merhof“基于图像的生存预测肺癌患者使用cnn,”2019年IEEE 16生物医学成像(2019位ISBI)国际研讨会,第1201 - 1197页,威尼斯,意大利,2019年。视图:谷歌学术搜索
83. s·侯赛因·坎德尔·c·w·波兰,m·b·华莱士和Bagci,“肺和胰腺肿瘤深度学习的时代特征:新颖的监督和非监督学习方法,“IEEE医学成像,38卷,不。8,1777 - 1787年,2019页。视图:出版商的网站|谷歌学术搜索
84. h·李,p . Boimel j . Janopaul-Naylor et al .,“深卷积神经网络基于成像数据生存分析直肠癌,”2019年IEEE 16生物医学成像(2019位ISBI)国际研讨会,第849 - 846页,威尼斯,意大利,2019年。视图:谷歌学术搜索
85. c . Li X.-Z。林,回族,K.-M r . Wang。Lam和s .张”区分胰腺粘液性囊性肿瘤形成浆液oligocystic腺瘤谱ct图像中使用机器学习算法:一项初步研究中,”2013年国际会议上机器学习和控制论,1卷,页271 - 276,天津,中国,2013。视图:谷歌学术搜索
86. 答:阿里,s m . Shamsuddin, a . l . Ralescu”混合智能系统的生存预测乳腺癌,”2012年12日国际会议上混合智能系统(他的)普纳,页555 - 559年,印度,2012。视图:谷歌学术搜索
87. r . Al-Bahrani a Agrawal, a超“结肠癌生存预测使用合奏SEER数据上的数据挖掘,”2013年IEEE国际会议上大数据9 - 16页,硅谷,CA,美国,2013年。视图:谷歌学术搜索
88. h·r·Hassanzadeh j . h .表象和m·d·王,“半监督方法预测癌症生存使用不完整的临床数据,”IEEE 2015年第37届国际会议在医学和生物工程协会(EMBC),页210 - 213年,米兰,意大利,2015年。视图:谷歌学术搜索
89. l . j .挂l . Wu朱et al .,“转移性胰腺癌:总体生存发展预测和验证预测计算图表的数据开放临床试验和实际研究中,“癌症医学,7卷,不。7,2974 - 2984年,2018页。视图:出版商的网站|谷歌学术搜索
90. e . g .沙特朗p . m . Cheng沃龙佐夫et al .,“深度学习:放射科医生的底漆,”射线照相,37卷,不。7,2113 - 2131年,2017页。视图:出版商的网站|谷歌学术搜索
91. b·j·埃里克森·Korfiatis z Akkus, t·l·克莱恩,“机器学习医学成像,”射线照相,37卷,不。2、505 - 515年,2017页。视图:出版商的网站|谷歌学术搜索
92. g .辛顿“深度学习|改变卫生保健的技术潜力,”《美国医学会杂志》,卷320,不。11日,第1102 - 1101页,2018年。视图:出版商的网站|谷歌学术搜索
93. j·d·Kothari”案例研究使用TensorFlow基于深度学习的图像分类,“Jubin Dipakkumar Kothari (2018)。一个案例研究使用Tensorflow基于深度学习的图像分类。国际期刊的创新在计算机和通信工程的研究》第六卷,没有。7,3888 - 3892年,2018页。视图:谷歌学术搜索
94. a . Paszke总值,f·马萨et al .,“Pytorch:命令式风格、高性能深度学习图书馆”先进的神经信息处理系统32卷,第8037 - 8026页,2019年。视图:谷歌学术搜索
95. 李b, f·林,w•周h·李和y,“分割单级实例,”通信和应用程序(汤米·),16卷,不。3 - 2020页。视图:出版商的网站|谷歌学术搜索
96. a . l . j . Yu Blackford, m .木豆等c·l·沃尔夫冈·m .郭金,“时间进展的胰腺导管腺癌肿瘤阶段,由低”肠道,卷64,不。11日,第1789 - 1783页,2015年。视图:出版商的网站|谷歌学术搜索
97. 张成泽,p . m . Graffy t . j . Ziemlewicz s·j·李,r·m·萨默斯(lawrence Summers)和p . j .皮克哈特,让“机会性骨质疏松症在常规腹部和胸部CT筛查:规范性l1小梁衰减值超过20 000名成年人,”放射学,卷291,不。2、360 - 367年,2019页。视图:出版商的网站|谷歌学术搜索
98. l·c·楚美国公园,美国川et al .,“深度学习应用于胰腺癌检测:从我们最初的经验教训,”美国放射学杂志》上,16卷,不。9日,第1342 - 1338页,2019年。视图:出版商的网站|谷歌学术搜索
99. 夏y, z朱l·谢·e·k . Fishman和a . l . Yuille”筛查胰腺导管腺癌,多尺度而且分割”医学影像计算和计算机辅助干预- MICCAI 2019施普林格,2019年,页3 - 12日。视图:谷歌学术搜索
100. K.-L。刘,t·吴P.-T。Chen等人“深度学习区分胰腺癌组织和良性胰腺组织:一项回顾性研究与跨种族外部验证,”《柳叶刀》杂志上的数字医疗,卷2,不。6,pp. e303-e313, 2020年。视图:出版商的网站|谷歌学术搜索
101. g . Litjens t . Kooi b . e . Bejnordi et al .,”一个调查深度学习在医学图像分析中,“医学图像分析,42卷,60 - 88、2017页。视图:出版商的网站|谷歌学术搜索
102. m·西美国野口勇,k .藤”自动胰腺分割深度学习的使用没过2 d模型:有用的数据扩充和U-net深处,“应用科学,10卷,不。10日,第3360条,2020年。视图:出版商的网站|谷歌学术搜索
103. j . a . Bartholomai和h . b . Frieboes肺癌生存预测通过机器学习回归,分类,和统计技术,”2018年IEEE信号处理和信息技术国际研讨会(ISSPIT),页632 - 637,路易斯维尔,肯塔基州,美国,2018年。视图:谷歌学术搜索
104. r . Jayashanka c . Wijesinghe a Weerasinghe, d .地区“机器学习方法来预测儿童急性淋巴细胞白血病患者的生存时间,”2018年18国际会议信息通信技术(ICT)新兴地区的进步432年,页426 -科伦坡,斯里兰卡,2018。视图:谷歌学术搜索
105. 美国金、t .公园和m .今敏”癌症生存分类使用集成数据集和中间信息,“人工智能在医学上,卷62,不。1,23-31,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021威尔逊Bakasa Serestina Viriri。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。