良恶性乳腺肿瘤数据

背景：恶性胸膜间皮瘤（MPM）的特征在于接触石棉与疾病发展之间的潜伏期长，因此我们假设年轻人中的MPM具有不同的特征。 患者和方法：这是一项回顾性研究，包括从2008年至2013年在开罗大学国家癌症研究所就诊的所有符合条件的恶性胸膜间皮瘤患者。患者分为两组：第1组：年龄≤45岁的患者。 第2组：年龄大于45岁的患者。 对两组进行了不同的临床病理特征评估。 主要目标：比较两组不同流行病学特征。 次要目标：评估两组的临床反应（CR），无进展生存期（PFS）和总体生存期（OS）。 结果：102例患者中位随访了14.4个月。 （1）组包括35例平均年龄40±3.65岁（31至45岁）的患者。 （2）组包括67名平均年龄为58.6±8.5岁（46至87岁）的患者。 组（1）的68％来自地方性地区，明显高于组（2）：（35.8％），p = 0.02。 两组之间的石棉接触史非常不同，第1组为77.1％，第2组为38.8％，p <0.001。 其他因素显示两组之间无显着差异。 组（1）的总体临床缓解率（CR + PR）为20％，而组（2）为17.9％。 P = 0.7。 青年患者的中位PFS有增加的趋

图像分割提取特征matlab代码结节X 论文“使用CT扫描预测肺结节恶性程度的高精度模型”的辅助代码。 指示 克隆或下载此存储库后，将（）中的文件提取到data目录中。 这里包含的许多脚本都有几个可用的命令行选项。 使用--help选项运行脚本以查看用法列表。 要求 Python2.7， pip 提供了一个需求文件NoduleX_python_requirements.txt ，其中列出了所需的Python软件包。 您可以使用以下方法安装它们： pip install -r NoduleX_python_requirements.txt 建议设置虚拟环境。 QIF特征提取需要使用Octave（测试版为4.2.0）或MATLAB（对帮助程序脚本进行了一些修改，请参见QIF_extraction / README.md）。 假定为POSIX兼容系统（Linux，Mac OS或Windows下Linux Shell）； 给出的许多脚本都是用Bash shell语法编写的。 针对验证数据运行CNN模型 使用脚本keras_CNN/keras_evaluate.py提供正确的模型keras_CN

主要解决的问题： 1. 顽固病毒木马问题（如：紫狐、ADSafe、MLXG病毒等） 2. 安全服务异常问题（部分安全服务异常也是由于内核级病毒导致） 3. 流量或首页劫持问题等

与所有其他癌症相比，乳腺癌是女性发生的第二大癌症。 2004 年记录了大约 110 万例病例。观察到这种癌症的发病率随着工业化和城市化以及早期检测设施的增加而增加。 它在高收入国家仍然更为常见，但现在在包括非洲、亚洲大部分地区和拉丁美洲在内的中等和低收入国家Swift增加。 在所有病例中，乳腺癌是致命的，并且是女性癌症死亡的主要原因，占全球所有癌症死亡人数的 16%。 本研究论文的目的是提出一份关于乳腺癌的报告，我们利用这些可用的技术进步来开发乳腺癌存活率的预测模型。 我们使用了三种流行的数据挖掘算法（朴素贝叶斯、RBF 网络、J48）来开发使用大型数据集（683 例乳腺癌病例）的预测模型。我们还使用了 10 倍交叉验证方法来测量无偏估计用于性能比较目的的三个预测模型。 结果（基于平均准确度乳腺癌数据集）表明，朴素贝叶斯是最好的预测器，对保持样本的准确度为 97.36%（该预测准确度比文献中报道的任何预测准确度都要好），RBF 网络出来了第二个以 96.77% 的准确率，J48 以 93.41% 的准确率排在第三位。

CT 图像中肺结节的良恶性鉴别是肺癌计算机辅助诊断研究中的关键。针对这一问题，提出了一种基于图像多维信息的肺结节良恶性鉴别方法。该方法基于三维肺结节的二维表示来进行影像学征象建模，并计算模型特征值。然后，提取结节的形状及纹理特征。最后，根据提取的所有特征，利用模糊C 均值分类器对肺结节的良恶性进行鉴别。针对130 组结节数据进行实验，肺结节良恶性鉴别的敏感性及假阳率分别达到87. 58% 及9. 52%。实验结果表明，该文提出的方法能有效地区分肺结节的良恶性，辅助医生进行临床诊断。

Breast_Cancer_Classification 利用逻辑回归和神经网络模型基于数字化活检图像将乳腺癌肿瘤分类为恶性或良性

结论：通过比较，逻辑斯蒂模型比随机梯度下降模型在测试集上表现有更高的准确性，因为逻辑斯蒂采用解析的方式精确计算模型参数，而随机梯度下降采用估计值 　　特点分析：逻辑斯蒂对参数的计算采用精确解析的方法，计算时间长但是模型性能高，随机梯度下降采用随机梯度上升算法估计模型参数，计算时间短但产出的模型性能略低，一般而言，对于训练数据规模在10万量级以上的数据，考虑到时间的耗用，推荐使用随机梯度算法

火绒恶性木马专杀工具hrkill，查杀各类恶性顽固病毒扫描出来的可疑的东西火绒自动处理，特别是真的流氓浏览器持劫行为，2345浏览器的流氓行为，解决浏览器首页劫持类等病毒，解决例如“打不开页面”、“主页被篡改”、“网址不断刷新”等问题。自带有超强大的木马查杀能力，为了对付恶意行为进行了查杀，而且加强了火绒恶性木马专杀工具针对该病毒的对抗能力。 主要解决的问题： 1. 顽固病毒木马问题（如：紫狐、ADSafe、MLXG病毒等） 2. 火绒安全服务异常问题（部分火绒安全服务异常也是由于内核级病毒导致） 3. 流量或首页劫持问题等 使用注意事项： 专杀工具在扫描过程中，如果检出了病毒处理项目，则建议在扫描完成后，重启再次使用火绒专杀进行扫描，以确认病毒清除是否成功。 如果重启后再次扫描，在专杀工具中没有病毒项目再被检出，则建议使用火绒安全软件进行全盘扫描，彻底解决病毒问题； 如果重启再次扫描后，专杀工具依然能够检出病毒，则请通过火绒论坛或者其他官方渠道向我们进行反馈。

乳房X光造影质量分类 客观的 该项目使用不同的机器学习算法（包括支持向量机，逻辑回归，决策树，朴素贝叶斯，人工神经网络等）将乳腺肿块分类为良性或恶性。 为每条曲线绘制ROC曲线，以识别问题的最佳分类算法。 问题 乳房X线照相术是当今可用的最有效的乳腺癌筛查方法。 然而，由于乳房X线照片解释导致的乳房活检的低阳性预测价值导致大约70％的不必要的活检具有良性结果。 为了减少不必要的乳房活检的数量，最近几年提出了几种计算机辅助诊断（CAD）系统，这些系统可以帮助医生决定对乳房X光检查中发现的可疑病变进行乳房活检或进行而是进行短期随访检查。 数据集 已使用UCI储存库中的“乳腺摄影质量”公共数据集。 （来源： : ）该数据集可用于根据BI-RADS属性和患者的年龄。 属性数量：6（1个目标字段：严重性，1个非预测性：BI-RADS，4个预测性属性） 属性信息： BI-RADS评估：1到5