公开(公告)号：CN115019966A

公开(公告)日：2022-09-06

申请号：CN202210561629.8

申请日：2022-05-23

Applicant: 哈尔滨理工大学

Inventor： 贾浩波 ,  苗世迪 ,  程可

IPC: G16H50/30 ,  G16H50/20 ,  G06V10/774 ,  G06V10/764 ,  G06V10/26 ,  G06V10/25 ,  G06T7/11 ,  G06T7/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明是涉及深度学习对于医学影像和临床数据相结合并利用机器学习算法分类而建立的乳腺癌转移预测方法。该方法由深度学习的卷积神经网络模型和随机森林组成。该方法包含以下步骤：数据预处理；划分数据集；训练卷积神经网络模型并选出最优模型对影像数据降维；再次划分数据集；利用随机森林分类并得出评价指标。本发明可以帮助医生对乳腺癌患者的远处转移等预后情况做出评估。

公开(公告)号：CN115116616A

公开(公告)日：2022-09-27

申请号：CN202210924114.X

申请日：2022-08-02

Applicant: 哈尔滨理工大学

Inventor： 程可 ,  苗世迪 ,  贾浩波

IPC: G16H50/30 ,  G06K9/62

Abstract: 本发明是涉及基于组内组间优化的多重插补的乳腺癌缺失数据插补模型。该插补模型由组内优化插补和组间优化插补组成，将均值插补、随机森林插补、贝叶斯线性回归插补、分类回归树插补和线性回归插补五种方法作为多重插补的基础方法，并结合医学特征的参考阈值进行综合插补。得到组内最优插补数据集，最后以均方根误差作为组间最优插补的评判标准。在插补过程中，加入临床特征阈值判别有利于增强医学数据特征的结构分布，让数据更具真实性。在组内优化中考虑到不同特征间的差异以及特征缺失值的不确定性，组间优化中考虑各插补方法的横向比较，让缺失数据的插补更具稳健性。