基于深度学习的细胞癌恶化程度预测方法研究

细胞癌是当今致死率最高的癌症之一,细胞癌恶化程度预测方法对治疗该病症具有重大意义。对细胞图像病理识别数据集中的癌症细胞切片进行检测,首先利用数据增加（DATA Augmentation,DA）技术,增加模型训练集和测试集,然后设计卷积神经网络训练和测试网络结构,再结合经验设置优化参数进行预测模型训练,从而为细胞癌恶化程度预测提供一个深度模型的检测手段。随着深度学习的发展和医学图像在临床上的应用,以及医学影像数据集的不断完善,该方法有望为医生诊断细胞癌恶化程度提供一种有效工具。     

基于PC-Simple算法的医院病案首页数据挖掘

使用数据挖掘中的因果关系技术,分析某甲级医院住院首案中记录的高血压及其它协同疾病之间是否存在因果性。PC-Simple算法作为一种国内较少使用的因果分析算法,将其应用在对医学数据的因果关系挖掘中,能高效地得出变量之间的因果性。分析平台采用IBM SPSS Statistics进行数据预处理,以及R-Studio进行数据建模分析。实验结果表明,高血压与冠状动脉粥样硬化、脑梗死、颈动脉粥样硬化、不稳定型心绞痛和急性心肌梗死之间存在着因果关系。使用PC-Simple算法得到的结果与实际医学理论相吻合,验证了该算法的有效性。     

基于HITON-PC算法的医院病案首页数据挖掘

使用HITON-PC算法分析某甲级医院2015年住院首案中记录的非胰岛素依赖型糖尿病及其它协同疾病之间是否存在因果性。HITON-PC算法是一种运用条件独立性检验处理高维数据的因果分析算法,将其应用于医学数据挖掘中,能高效得出变量之间的因果关系。非胰岛素依赖型糖尿病与冠状动脉粥样硬化、高血脂、高血压、高血压II期和高血压III期之间有着因果关系。通过因果关系分析,可以很好地从大量临床数据中发现疾病间的潜在因果性,为相关疾病的临床诊断提供辅助,具有很强的实用性。