高表达转化生长因子β1，血管内皮生长因子，白细胞介素10在上皮性卵巢癌中的免疫抑制作用，刘婵桢，张丽，背景：转化生长因子TGF-β1，血管内皮生长因子VEGF和白细胞介素10（IL-10）是肿瘤免疫抑制中最重要的因子。目的：该研究主要研究这3个�

乳腺癌检测应用 使用机器学习XGBoost分类器的乳腺癌检测应用程序

乳腺癌预测

ML-MT-WebApp 这是我的本科学位课程的主要项目之一。 在这里，我开发了一种疾病预测网络应用程序，该应用程序使用机器学习的概念来预测各种疾病，例如疟疾，肺炎，糖尿病等。 下面是使用的各种模型文件的名称： 癌症模型=模型 糖尿病模型=模型1 心脏模型= model2 肝模型= model4 肾脏模型= model3 疟疾模型= model111.h5 肺炎模型= my_model.h5 用于训练深度学习模型的内核 疟疾核心模型： : 肺炎模型的核心-https: 用于模型开发的各种数据集的详细信息： 癌症：cancer.csv [在资源库中] 糖尿病：dialysis.csv [在资源库中] Heart ：heart.csv [在资源库中] 肝脏： : Patient- 肾脏： : 疟疾： : 疟疾 肺炎： ： //www.kaggle.c

UCI Breast Cancer 原始数据集，包含了三组乳腺癌细胞病理图像数据数据。

由于癌症，许多人的生命被缩短。但是，由于大数据时代的到来，我们能够抗击这种恶意疾病。 cancer patient data sets.xlsx

如今，医学领域广泛采用图像处理方法来提高对某些异常的早期检测，例如乳腺癌、肺癌、脑癌等。 本文主要集中在从 X 射线图像、计算机断层扫描 (CT) 图像和 MRI 图像中分割肺癌肿瘤。 图像分割采用图像处理方法。 在预处理阶段使用均值和中值滤波器。 在图像分割阶段，使用Otsu的阈值和k-Means聚类分割方法对肺部图像进行分割并定位肿瘤。 为了评估用于分割的方法的性能，在两者的分割图像上计算性能评估参数，例如信噪比（SNR）、均方误差（MSE）和峰值信噪比（PSNR））。用于分割的不同分割方法。 无论图像如何，K-Means 分割都能获得更好的结果。

乳腺癌预测应用程序使用 Flask-Python 在乳腺癌威斯康星州数据集上建立机器学习模型来预测癌症是良性还是恶性。 定义问题陈述 我们的主要目标是使用 Flask API 构建一个应用程序并部署在 Heroku 上以对乳腺癌是良性还是恶性进行分类。 使用此链接访问完整项目的文件夹 此文件夹包含连接到这 5 部分文章的 Python 代码： | | | | 通过这段代码，我们将学习： 如何在 Heroku 上使用 Flask API 部署模型？ 数据来自威斯康星癌症数据集。 该数据由威斯康星大学麦迪逊分校的医院和William H. Wolberg博士收集。 阅读更多 与我联系

肿瘤图片分类代码，可应用于医疗病理学图片的分类（可通用于各种医疗图像图片的分类），具有良好的效果，可供大家学习

乳腺癌预测 在乳腺癌数据集上采用了四种机器学习模型来确定最佳模型。 逻辑回归 决策树分类器 随机森林分类器 支持向量机