公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

深度学习在细胞图像分析中的应用进展被引量：1: 2022年; 随着显微技术的不断发展,显微镜已克服人眼的局限性成为研究细胞生物学必不可少的工具。近年来,显微技术在速度、规模以及分辨率等方面都有了巨大的进步。深度学习在图像处理尤其是细胞图像处理中的应用受到广泛关注。本文针对深度学习在细胞图像分析中常用的算法进行介绍,并对近几年深度学习在细胞图像处理中的应用进行详细论述,包括图像分类、图像分割、目标跟踪、图像超分辨重建4个方面。最后展望了深度学习在细胞图像分析中的机遇和挑战。; 王尧黄钢; 关键词：细胞图像图像处理

肺腺癌免疫相关基因预后模型的构建与应用被引量：1: 2022年; [目的]基于癌症基因图谱(TCGA)数据库和生物信息学方法构建免疫相关基因的肺腺癌患者预后模型。[方法]基于TCGA和IMMPORT数据库对肺腺癌中免疫相关基因进行LASSO-Cox分析构建模型,使用生存分析、ROC曲线分析和C指数(C-index)分析评估模型的预测性能,并在cBioPortal数据库下载的数据集中完成模型的外部验证。[结果]基于差异分析和LASSO-Cox筛选,一共得到26个预后免疫相关基因。训练集和验证集中的生存曲线都显示所构建的风险模型能够显著区分患者预后,高风险组患者预后更差。ROC曲线显示风险模型在训练集中预测1、3、5年生存率的曲线下面积(AUC)分别为0.752、0.772、0.736,在验证集中预测1、3、5年生存率的曲线下面积(AUC)分别为0.536、0.692、0.705,模型的C指数为0.715,显著高于第8版AJCC分期系统的C指数0.644。[结论]该模型的C指数显著高于第8版AJCC分期的C指数,能够较准确地预测肺腺癌患者的预后,可能是肺腺癌潜在的预后生物标志物。; 黄品正黄钢; 关键词：肺腺癌免疫相关基因预后模型生物信息学

一种可用于鉴别肝癌呼气信号的改进AdaBoost算法: 2023年; 提出一种改进的AdaBoost强化学习算法,并将其应用于鉴别健康者和肝癌患者的呼气信号。首先采集志愿者(包括健康对照组和肝癌患者)的呼气信号,利用Relief算法提取其主要特征;接着融合Stacking模型,基于传统的机器学习算法训练得到若干基分类器组,构建一个个子分类器。为减少训练样本对分类器性能的影响,利用K折交叉,先后得到k个基分类器,形成一个基分类器组;进一步,由投票法得到该基分类器组,即子分类器对测试集的预测结果;然后根据各子分类器对训练集的预测错误率调整训练样本,并获得各子分类器的权重系数;最后将多个子分类器的预测结果进行加权组合,得到最终预测结果。实验结果表明,相比传统的AdaBoost算法,改进的AdaBoost算法在鉴别肝癌呼气和健康对照组呼气时,错误率明显下降,鲁棒性有所提升。该算法在鉴别肝癌呼气时,准确率可以达到90%左右,特异性和精确度也均超过95%。因此,改进的AdaBoost算法可有效提升肝癌呼气鉴别精度,对通过呼气鉴别肝癌、实现早期诊断的研究具有重要意义。; 郝丽俊黄钢; 关键词：ADABOOST算法 RELIEF算法

利塞磷酸钠生产设备的清洁验证被引量：1: 2015年; 利塞膦酸钠为非无菌原料,生产车间为多产品共用车间,生产原料药还有利塞膦酸钠、氢溴酸西酞普兰、草酸艾司西酞普兰、奥氮平。更换不同品种生产时,车间大部分设备将作为通用设备使用,为了保证产品质量,须通过不同设备的清洁方法,消除药品交叉污染。本文介绍符合GMP要求的利塞膦酸钠生产设备清洁验证。; 黄钢王殊轶

二维人体关键点检测算法综述被引量：2: 2023年; 随着二维人体关键点检测应用领域的扩展,对二维人体关键点检测的检测速度和精度提出了更高的要求。为了进一步分析二维人体关键点检测,首先介绍了基于传统方法和基于深度方法的二维人体关键点检测的模型,其次介绍了二维人体关键点检测的常用数据集和研究方向,最后得出了基于深度学习的二维人体关键点检测可以高精度地定位人体关键点的结论。未来,可以将二维人体关键点检测应用到更多新的领域进行更深入的研究。同时,提高模型的鲁棒性和泛化能力,探索更加高效的模型架构,以及减少模型复杂度等将成为研究热点。; 史小强黄钢黄钢; 关键词：二维图像神经网络

深度学习与机器学习预测NSCLC的N分期: 2024年; 本文利用深度学习和机器学习技术,提出一种基于PET和CT图像的非小细胞肺癌(Non-Small Cell Lung Cancer,NSCLC)肿瘤N分期预测方法,以提高N分期的准确率和稳定性。使用深度学习残差神经网络3D Resnet50提取NSCLC的CT与PET影像特征,并将特征降维到32维;将多模态特征进行拼接,输入机器学习模型进行NSCLC的N分期预测。最终,本文所提出的基于深度学习和机器学习预测NSCLC肿瘤分期预测方法的预测准确率在训练集达到了1.0,测试集上达到了0.852,平均受试者工作特征曲线下面积(Receiver Operating Characteristic,ROC)超过了0.91。实验表明,基于深度学习和机器学习的NSCLC肿瘤预测方法可以提高非小细胞肺癌N分期的准确率和稳定性,具有良好的应用前景和实际应用价值。; 王甘霖靳明明黄钢; 关键词：多模态 NSCLC

基于图卷积神经网络的小分子虚拟筛选: 2022年; 新药研发存在研发周期长、成本高和成功率低等问题。为了解决这一系列问题,提高早期药物研发效率,提出一种基于图卷积神经网络的虚拟筛选方法,并利用模型对EGFR(Epidermal Growth Factor Receptor,表皮生长因子受体)靶点进行虚拟筛选。首先获取EGFR靶点的相关数据,对其进行数据处理后用于模型训练;随后应用模型筛选大量化合物,筛选出小分子后,将其与药物分子进行化合物相似性搜索,验证其是否与已知的EGFR药物存在相似性;同时,将图卷积神经网络(Graph Convolutional Networks,GCN)模型与其他传统机器学习模型进行比较,证明本研究模型在各项指标中均优于其他模型。实验结果表明,本研究提出的方法具有较好的预测性和准确性,为发现潜在药物提供了助力。; 张凯睿黄钢; 关键词：EGFR

全选清除导出

共1页<1>

黄钢