CN109300545A - 一种基于rf的地中海贫血病的风险预警方法 - Google Patents
一种基于rf的地中海贫血病的风险预警方法 Download PDFInfo
- Publication number
- CN109300545A CN109300545A CN201810985835.5A CN201810985835A CN109300545A CN 109300545 A CN109300545 A CN 109300545A CN 201810985835 A CN201810985835 A CN 201810985835A CN 109300545 A CN109300545 A CN 109300545A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- thalassemia
- dataset
- algorithm
- 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.)
- Granted
Links
- 208000002903 Thalassemia Diseases 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000003066 decision tree Methods 0.000 claims abstract description 22
- 239000008280 blood Substances 0.000 claims abstract description 20
- 210000004369 blood Anatomy 0.000 claims abstract description 20
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012952 Resampling Methods 0.000 claims abstract description 8
- 238000007418 data mining Methods 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000012502 risk assessment Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000001962 electrophoresis Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 2
- 238000003759 clinical diagnosis Methods 0.000 abstract description 5
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 235000013399 edible fruits Nutrition 0.000 description 4
- 208000007502 anemia Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009182 swimming Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 108060003196 globin Proteins 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Landscapes
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于RF的地中海贫血病的风险预警方法，属于数据挖掘预测技术领域。先建立一个电子台账数据记录的数据库，将受检者的血样编号作为标识符ID，对应检验记录作为一个样例T，所有样例的集合；对样例数据集进行数据预处理，得到算法适用数据集DataSet；对DataSet进行Boostrap重采样，随机生成训练样本Traindata，并采用CART算法的基尼指数方法选择特征，构建随机森林算法RF模型；然后，将每棵决策树DT的分类结果进行投票，投票众数作为风险评估结果；最后，将袋外数据Oob_dataset作为模型输入，输出预警结果，作为临床诊断参考。本发明提供了RF算法对地中海贫血病的风险进行预警，提高地贫患儿临床诊断的准确性与高效性，能有效避免地贫患儿出生，并起到降低医疗资源浪费的作用。
Description
技术领域
本发明涉及一种基于RF的地中海贫血病的风险预警方法，属于数据挖掘预测技术领域。
背景技术
地中海贫血病(Thalassemia Disease，TD)是一种海洋性、珠蛋白基因缺陷且隐性遗传的病，多发于地中海沿岸，在我国云南(10％)、广东等地高发。其中重型的地贫患儿有立即夭折或者六岁前夭折的危险，这对患儿家庭造成了沉重打击。
基于随机森林算法的预警方法可以辅助诊断，有助于降低误诊率、节省医学资源等，进一步指导其后续的诊断及治疗过程。目前，已有骨髓干细胞移植案例，但治后效果欠佳。另外，在地中海贫血的研究方面基本停留在数据的累积分析上，在地中海贫血预警方面的研究更是欠缺。RF算法基于以上的组成加快整个挖掘预警过程。而且算法已经被广泛的应用到商业、网络安全等各个领域，但还没有应用到地中海贫血领域。
发明内容
本发明要解决的技术问题是提供一种基于RF的地中海贫血病的风险预警方法，将RF算法应用到对地中海贫血病的风险预警上，起到降低医疗资源浪费的作用，提高临床诊断的准确性与高效性。
本发明的技术方案是：一种基于RF的地中海贫血病的风险预警方法，将受检者的血样编号作为标识符ID，对应检验记录作为一个样例T，所有样例的集合；对样例数据集进行数据预处理，得到算法适用数据集DataSet；对DataSet进行Boostrap重采样，随机生成训练样本Traindata，并采用信息增益方法选择特征，构建随机森林算法RF模型；然后，将每棵决策树DT的分类结果进行投票，投票众数作为风险评估结果；最后，将袋外数据Oob_dataset作为模型输入，输出预警结果，作为临床诊断参考。
包括如下步骤：
Step1、建立数据库。根据电子台账数据，建立一个受检者记录的数据库，将受检者血样编号作为标识符ID，对应检验记录作为一条样例S，每个样例S包含地中海贫血病受检者的血液及电泳检查结果，对应列为受检属性值集合TZset；
Step2、数据预处理。对数据库中的样例数据集进行清洗、挖掘及填充后得到建模数据集DataSet，该数据集包含N条样例，M个特征；
Step3、构建模型。首先对数据集DataSet采用Boostrap重采样的方法采样，每次随机采样N个样本作为单棵决策树的训练数据集TrainData，剩余样例组成袋外数据Oob_dataset；在每个节点，算法首先随机选取m(m＜＜M)个变量，从中找出能够提供最佳分割效果的预警属性；算法在不剪枝的情况下生成单棵决策树，重复该步骤生成多棵CART决策树ntree，构建随机森林RF；
Step4、风险评估。将每棵决策树得到的分类结果进行投票，算法取类别预测众数作为最终分类表，并得出对地中海贫血病影响较大的因子，并输出因子重要性排序；
Step5、模型预警。对RF预警模型进行袋外数据Oob_dataset预测，得到一个地中海贫血病的混淆矩阵Conf_Matrix，并根据该混淆矩阵Conf_Matrix计算模型性能。
具体地，所述步骤Step1中，受检者记录数据库中每条信息包含受检者血常规及电泳检验结果字段，受检者血样编号作为标识符ID，对应血常规及电泳检验集合的编号作为属性集TZset，检验中的每一个属性作为一个项。
具体地，所述步骤Step2中，数据预处理包括电子台帐数据采集、数据挖掘及特征选择。所述数据挖掘是将获得的数据库数据经过数据清洗、数据转换以及贝叶斯算法初步填充等，得到最终的建模数据集DataSet，数据集包含N条样例，M个特征。
具体地，所述步骤Step3中，通过随机选择样本，保证每次学习的决策树使用不同的训练集。
具体地，所述步骤Step3中，地贫属性分割度量采用CART算法的基尼指数方法，其计算公式如(1)所示；特征属性的优先选择公式如(2)所示：
其中，T为样本数据集，Pj为类别j在样本T中出现的频率；Nj为样本T中类别j出现的个数；S为样本数据集中样本个数；T1，T2为特征属性；S1，S2为不同划分方式。
本发明的有益效果是：提供了RF算法对地中海贫血病的风险进行预警，提高地贫患儿临床诊断的准确性与高效性，能有效避免地贫患儿出生，并起到降低医疗资源浪费的作用。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
一种基于RF的地中海贫血病的风险预警方法，将受检者的血样编号作为标识符ID，对应检验记录作为一个样例T，所有样例的集合；对样例数据集进行数据预处理，得到算法适用数据集DataSet；对DataSet进行Boostrap重采样，随机生成训练样本Traindata，并采用信息增益方法选择特征，构建随机森林算法RF模型；然后，将每棵决策树DT的分类结果进行投票，投票众数作为风险评估结果；最后，将袋外数据Oob_dataset作为模型输入，输出预警结果，作为临床诊断参考。
包括如下步骤：
Step1、建立数据库。根据电子台账数据，建立一个受检者记录的数据库，将受检者血样编号作为标识符ID，对应检验记录作为一条样例S，每个样例S包含地中海贫血病受检者的血液及电泳检查结果，对应列为受检属性值集合TZset；
Step2、数据预处理。对数据库中的样例数据集进行清洗、挖掘及填充后得到建模数据集DataSet，该数据集包含N条样例，M个特征；
Step3、构建模型。首先对数据集DataSet采用Boostrap重采样的方法采样，每次随机采样N个样本作为单棵决策树的训练数据集TrainData，剩余样例组成袋外数据Oob_dataset；在每个节点，算法首先随机选取m(m＜＜M)个变量，从中找出能够提供最佳分割效果的预警属性；算法在不剪枝的情况下生成单棵决策树，重复该步骤生成多棵CART决策树ntree，构建随机森林RF；
Step4、风险评估。将每棵决策树得到的分类结果进行投票，算法取类别预测众数作为最终分类表，并得出对地中海贫血病影响较大的因子，并输出因子重要性排序；
Step5、模型预警。对RF预警模型进行袋外数据Oob_dataset预测，得到一个地中海贫血病的混淆矩阵Conf_Matrix，并根据该混淆矩阵Conf_Matrix计算模型性能。
具体地，所述步骤Step1中，受检者记录数据库中每条信息包含受检者血常规及电泳检验结果字段，受检者血样编号作为标识符ID，对应血常规及电泳检验集合的编号作为属性集TZset，检验中的每一个属性作为一个项。
具体地，所述步骤Step2中，数据预处理包括电子台帐数据采集、数据挖掘及特征选择。所述数据挖掘是将获得的数据库数据经过数据清洗、数据转换以及贝叶斯算法初步填充等，得到最终的建模数据集DataSet，数据集包含N条样例，M个特征。
具体地，所述步骤Step3中，通过随机选择样本，保证每次学习的决策树使用不同的训练集。
具体地，所述步骤Step3中，地贫属性分割度量采用CART算法的基尼指数方法，其计算公式如(1)所示；特征属性的优先选择公式如(2)所示：
其中，T为样本数据集，Pj为类别j在样本T中出现的频率；Nj为样本T中类别j出现的个数；S为样本数据集中样本个数；T1，T2为特征属性；S1，S2为不同划分方式。
实施例1：如图1所示，一种基于RF的地中海贫血病的风险预警方法，所述方法的具体步骤如下：
Step1、建立数据库。根据电子台账数据，建立一个受检者记录的数据库，将受检者血样编号作为标识符ID，对应检验记录作为一条样例S，每个样例S包含地中海贫血病受检者的血液及电泳检查结果，对应列为受检属性值集合TZset；具体地：
为方便阐述本发明，假设本发明中对地中海贫血病预警的综合属性中部分属性集合如下表1所示：
Step2、数据预处理。对数据库中的样例数据集进行清洗、挖掘及填充后得到建模数据集DataSet，该数据集包含N条样例，M个特征；具体地：该数据集包含1300条样例，7个特征，具体特征如表1所示。
Step3、构建模型。首先对数据集DataSet采用Boostrap重采样的方法采样，每次随机采样N个样本作为单棵决策树的训练数据集TrainData，剩余样例组成袋外数据Oob_dataset；在每个节点，算法首先随机选取m(m＜＜M)个变量，从中找出能够提供最佳分割效果的预警属性；算法在不剪枝的情况下生成单棵决策树，重复该步骤生成多棵CART决策树ntree，构建随机森林RF；具体地：随机重采样生成样本集样例数为910条，袋外数据样例为390条。
Step4、通过随机选择样本，保证每次学习的决策树使用不同的训练集。
Step5、所述步骤Step3中，地贫属性分割度量采用CART算法的基尼指数方法，其计算公式如(1)所示；特征属性的优先选择公式如(2)所示：
其中，T为样本数据集，Pj为类别j在样本T中出现的频率；Nj为样本T中类别j出现的个数；S为样本数据集中样本个数；T1,T2为特征属性；S1,S2为不同划分方式；具体地：
本案例数据集包含910条样例，袋外数据包括390条样例，则得到的模型参数及结果如下表2所示：
390条袋外数据的预警结果指标计算如下表3所示：
特异度和灵敏度如下表4所示：
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于RF的地中海贫血病的风险预警方法，其特征在于：
Step1、建立数据库：根据电子台账数据，建立一个受检者记录的数据库，将受检者血样编号作为标识符ID，对应检验记录作为一条样例S，每个样例S包含地中海贫血病受检者的血液及电泳检查结果，对应列为受检属性值集合TZset；
Step2、数据预处理：对数据库中的样例数据集进行清洗、挖掘及填充后得到建模数据集DataSet，该数据集包含N条样例，M个特征；
Step3、构建模型：首先对数据集DataSet采用Boostrap重采样的方法采样，每次随机采样N个样本作为单棵决策树的训练数据集TrainData，剩余样例组成袋外数据Oob_dataset；在每个节点，算法首先随机选取m(m＜＜M)个变量，从中找出能够提供最佳分割效果的预警属性；算法在不剪枝的情况下生成单棵决策树，重复该步骤生成多棵CART决策树ntree，构建随机森林RF；
Step4、风险评估：将每棵决策树得到的分类结果进行投票，算法取类别预测众数作为最终分类表，并得出对地中海贫血病影响较大的因子，且输出因子重要性排序；
Step5、模型预警：对RF预警模型进行袋外数据Oob_dataset预测，得到一个地中海贫血病的混淆矩阵Conf_Matrix，并根据该混淆矩阵Conf_Matrix计算模型性能。
2.根据权利要求1所述的基于RF的地中海贫血病的风险预警方法，其特征在于：所述步骤Step1中，受检者记录数据库中每条信息包含受检者血常规及电泳检验结果字段，受检者血样编号作为标识符ID，对应血常规及电泳检验集合的编号作为属性集TZset，检验中的每一个属性作为一个项。
3.根据权利要求1所述的基于RF的地中海贫血病的风险预警方法，其特征在于：所述步骤Step2中，数据预处理包括电子台帐数据采集、数据挖掘及特征选择。所述数据挖掘是将获得的数据库数据经过数据清洗、数据转换以及贝叶斯算法初步填充等，得到最终的建模数据集DataSet，数据集包含N条样例，M个特征。
4.根据权利要求1所述的基于RF的地中海贫血病的风险预警方法，其特征在于：所述步骤Step3中，通过随机选择样本，保证每次学习的决策树使用不同的训练集。
5.根据权利要求1所述的基于RF的地中海贫血病的风险预警方法，其特征在于：所述步骤Step3中，地贫属性分割度量采用CART算法的基尼指数方法，其计算公式如(1)所示；特征属性的优先选择公式如(2)所示：
其中，T为样本数据集，Pj为类别j在样本T中出现的频率；Nj为样本T中类别j出现的个数；S为样本数据集中样本个数；T1，T2为特征属性；S1，S2为不同划分方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810985835.5A CN109300545B (zh) | 2018-08-28 | 2018-08-28 | 一种基于rf的地中海贫血病的风险预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810985835.5A CN109300545B (zh) | 2018-08-28 | 2018-08-28 | 一种基于rf的地中海贫血病的风险预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109300545A true CN109300545A (zh) | 2019-02-01 |
| CN109300545B CN109300545B (zh) | 2021-06-18 |
Family
ID=65165602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810985835.5A Active CN109300545B (zh) | 2018-08-28 | 2018-08-28 | 一种基于rf的地中海贫血病的风险预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109300545B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612624A (zh) * | 2020-05-28 | 2020-09-01 | 深圳博普科技有限公司 | 一种数据特征重要性的分析方法及系统 |
| CN111710423A (zh) * | 2020-06-17 | 2020-09-25 | 上海市精神卫生中心（上海市心理咨询培训中心） | 基于回归模型测定心境障碍发病风险概率的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102858985A (zh) * | 2009-07-24 | 2013-01-02 | 西格马-奥尔德里奇有限责任公司 | 基因组编辑方法 |
| WO2013170147A1 (en) * | 2012-05-11 | 2013-11-14 | Yale University | Compounds useful for promoting protein degradation and methods using same |
| CN103649332A (zh) * | 2011-04-06 | 2014-03-19 | 皇家飞利浦有限公司 | 用于β地中海贫血性状的新型相关标记 |
| CN107563425A (zh) * | 2017-08-24 | 2018-01-09 | 长安大学 | 一种基于随机森林的隧道运营状态感知模型的建立方法 |
| CN108062977A (zh) * | 2017-12-18 | 2018-05-22 | 广东祥岳生物技术有限公司 | 一种新生儿地中海贫血筛查结果自动判断系统 |
| CA3049582A1 (en) * | 2017-01-08 | 2018-07-12 | The Henry M. Jackson Foundation For The Advancement Of Military Medicine, Inc. | Systems and methods for using supervised learning to predict subject-specific bacteremia outcomes |
| CN108376564A (zh) * | 2018-02-06 | 2018-08-07 | 天津艾登科技有限公司 | 基于随机森林算法的疾病诊断并发症识别方法及系统 |
-
2018
- 2018-08-28 CN CN201810985835.5A patent/CN109300545B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102858985A (zh) * | 2009-07-24 | 2013-01-02 | 西格马-奥尔德里奇有限责任公司 | 基因组编辑方法 |
| CN103649332A (zh) * | 2011-04-06 | 2014-03-19 | 皇家飞利浦有限公司 | 用于β地中海贫血性状的新型相关标记 |
| WO2013170147A1 (en) * | 2012-05-11 | 2013-11-14 | Yale University | Compounds useful for promoting protein degradation and methods using same |
| CA3049582A1 (en) * | 2017-01-08 | 2018-07-12 | The Henry M. Jackson Foundation For The Advancement Of Military Medicine, Inc. | Systems and methods for using supervised learning to predict subject-specific bacteremia outcomes |
| CN107563425A (zh) * | 2017-08-24 | 2018-01-09 | 长安大学 | 一种基于随机森林的隧道运营状态感知模型的建立方法 |
| CN108062977A (zh) * | 2017-12-18 | 2018-05-22 | 广东祥岳生物技术有限公司 | 一种新生儿地中海贫血筛查结果自动判断系统 |
| CN108376564A (zh) * | 2018-02-06 | 2018-08-07 | 天津艾登科技有限公司 | 基于随机森林算法的疾病诊断并发症识别方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612624A (zh) * | 2020-05-28 | 2020-09-01 | 深圳博普科技有限公司 | 一种数据特征重要性的分析方法及系统 |
| CN111710423A (zh) * | 2020-06-17 | 2020-09-25 | 上海市精神卫生中心（上海市心理咨询培训中心） | 基于回归模型测定心境障碍发病风险概率的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109300545B (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111243736B (zh) | 一种生存风险评估方法及系统 | |
| CN112259221A (zh) | 基于多种机器学习算法的肺癌诊断系统 | |
| CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
| CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
| CN109948647A (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
| CN110990718B (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
| CN116306323B (zh) | 一种数字孪生模型的确定方法、装置、终端设备及介质 | |
| CN105469611B (zh) | 一种短时交通流预测模型方法 | |
| CN110141219A (zh) | 基于导联融合深度神经网络的心肌梗死自动检测方法 | |
| CN111956212B (zh) | 基于频域滤波-多模态深度神经网络的组间房颤识别方法 | |
| CN102085095A (zh) | 一种检测心电图中st段的方法、系统和心电检测仪器 | |
| CN109308695A (zh) | 基于改进U-net卷积神经网络模型的癌细胞识别方法 | |
| CN111883258B (zh) | 一种构建ohss分度分型预测模型的方法 | |
| CN107480637A (zh) | 基于心音特征的心衰分期方法 | |
| CN111401519B (zh) | 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 | |
| CN115081515B (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
| Choudhary et al. | Optimized ensemble machine learning model for chronic kidney disease prediction | |
| CN109300545A (zh) | 一种基于rf的地中海贫血病的风险预警方法 | |
| CN116421144A (zh) | 一种eses相关癫痫性脑病预后评估模型及其训练和使用方法 | |
| CN117856204A (zh) | 配电网超短期负荷功率区间的预测方法、系统及存储介质 | |
| CN109346182A (zh) | 一种基于cs-rf的地中海贫血病的风险预警方法 | |
| CN114388130A (zh) | 原发性肝癌微波消融后肝内复发风险预测方法及装置 | |
| CN108090507A (zh) | 一种基于集成方法的医疗影像纹理特征处理方法 | |
| CN114358618A (zh) | 基于病例组合的医生住院服务绩效评估方法及系统 | |
| CN113065298A (zh) | 一种用于将超大规模网表转换成dag图的方法和系统 |
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 |