基于检验组学及机器学习的乳腺癌诊断模型研究

目的:以常规临床检验大数据为基础,使用机器学习算法构建乳腺癌诊断模型。以探讨临床检验组学在乳腺癌诊断中的应用价值。方法:采用回顾性研究方法,收集6 089例乳腺癌患者及6 830例乳腺良性疾病患者临床信息和检验数据。分别运用极限梯度提升、神经网络、支持向量机、随机森林、最近邻算法、逻辑回归、线性判别分析算法、朴素贝叶斯、梯度提升机算法和C5.0决策树等机器学习算法建立乳腺癌诊断模型。采用10折交叉验证进行模型训练,应用准确度、AUC、平均准确度、特异度、灵敏度、阳性预测值、阴性预测值及Kappa值评估各模型性能。结果:从28项常规临床检验指标中筛选出GLU、DBIL、RDW-CV、MONO、TG、ALB、RBC、LYMPH、UREA等9项指标再加上age用于模型构建。通过10种机器学习算法进行模型评估,发现梯度提升机算法相较其它算法具有最优的诊断性能。梯度提升机算法诊断乳腺癌准确度为0.80、AUC为0.80、平均准确度为0.8 0、特异度为0.7 7、灵敏度为0.82、阳性预测值为0.78、阴性预测值为0.81、Kappa值为0.59。结论:以常规临床检验数据为基础,使用机器学习算法...     

机器学习对乳腺癌诊断应用现状研究进展

乳腺癌已经超越肺癌成为世界第一大癌症,同时也是女性患者中致死率最高的恶性肿瘤。随着乳腺癌诊疗技术的不断进步,早期乳腺癌患者的5年生存率可达95%,因此,乳腺癌早期筛查、诊断和治疗是其良好预后的关键。机器学习是人工智能(AI)领域极其重要的分支,由于计算机硬件的不断提升、深度学习算法的持续进步及海量乳腺癌临床数据的累积,使得机器学习在乳腺癌早期筛查、诊断及预后判断等领域发挥重要作用。本综述对机器学习在乳腺癌诊断领域中的研究及应用现状进行总结,以期为乳腺癌AI诊断提供新的方向和思路。以“机器学习”“深度学习”“人工智能”“乳腺癌诊断”为关键词,检索2016-01-01-2022-12-31 PubMed及中国知网相关文献。纳入标准：机器学习在乳腺癌X射线片诊断中的研究;机器学习在乳腺癌MRI诊断中的研究;机器学习在乳腺癌超声诊断中的研究;机器学习在乳腺癌病理诊断中的研究。排除标准：涉及乳腺癌AI诊断的著作、汇编及二次文献。最终纳入分析文献66篇。结果表明,机器学习在乳腺X射线片和乳腺超声领域的研究可以做到自动分割病灶、病灶特征的提取和分析,最终判别病灶的良恶性;而机器学习在乳腺MRI和乳腺...     

浅论肠炎宁胶囊与美沙拉嗪联合治疗溃疡性结肠炎临床效果

目的分析和研究肠炎宁胶囊与美沙拉嗪联合治疗溃疡性结肠炎临床效果。方法随机选择2015年-2017年期间来我院进行溃疡性结肠炎治疗的患者共计60例,将研究主体平均分为两组,即观察组与对照组,两组的人数相同,每一组分别采用不同的方法,其中对照组采用传统的治疗方式,观察组在对照组的基础上联合肠炎宁胶囊治疗手段,对他们的治疗过程以及结果进行记录,分析和比较两组患者的临床效果。结果两组患者接受治疗后,采用常规治疗联合肠炎宁片胶囊治疗手段的观察组治疗效果十分显著,与采用常规治疗手段的对照组相比,优势作用明显,两组治疗之后的结果具有明显的差异,具有统计学意义,P<0.05。结论在临床治疗溃疡性结肠炎病症时,医护工作者应该合理运用传统治疗模式,还要在此基础上,运用比较优质的治疗模式,对患者实施肠炎宁胶囊的治疗,从而提升他们对治疗的满意度,以及提升他们的生活质量,提升临床有效概率,通过研究表明,此次所研究方法值得进行推广和使用。