2021年版《居民常见恶性肿瘤筛查和预防推荐》.pdf

数据挖掘技术及其在临床恶性肿瘤诊疗中的应用.pdf

基于数据挖掘探讨蒋益兰治疗妇科恶性肿瘤用药经验.pdf

人工智能辅助恶性肿瘤诊断的应用进展.pdf

人工智能辅助评分系统联合超声弹性成像诊断甲状腺结节良恶性的价值.pdf

鸦胆子油注射液治疗晚期恶性肿瘤临床观察.pdf

机器学习-肿瘤识别 在乳腺癌数据集上探索了机器学习技术，以建立算法来预测肿瘤是恶性还是良性。 比较了诸如Logistic回归，k最近邻和决策树等有监督学习算法的性能。 还研究了使用PCA和Pearson相关矩阵进行特征工程的效果以及使用欠采样和过采样进行数据工程的效果。

在这篇综述中，我们将简要介绍一下支撑在厚度几乎为零的波纹金属板上的欺骗表面等离激元。 我们主要关注欺骗表面的传播特性，等离振子极化子（SPP），平面SPP的激发以及包括弯曲波导，Y形分束器，分频器和滤波器在内的多个等离激元器件。平面或共形等离子超材料的设计和制造，均经过全波模拟和实验验证，具有较高的性能。 我们还证明，超薄金属网纹金属盘可以支撑多极的，局部的表面等离激元，该等离激元具有直的或弯曲的凹槽，从中也可以观察到Fano共振。

提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确率、敏感度、特异度及接受者操作特性曲线(ROC)下面积(AUC)分别达94.98%、90.02%、97.03%及97.43%。实验结果表明,所提方法能准确地判别肺结节的良恶性,并优于大部分主流方法。

根据细胞大小和肿瘤厚度两个参数来判断良/恶性乳腺癌肿瘤