首页 > TAG信息列表 > cancer

文献分析 Single-cell transcriptomic analysis in a mouse model deciphers cell transition states in the m

原文pdf连接 https://www.nature.com/articles/s41467-020-17492-y#data-availability   摘要 食管鳞状细胞癌 (ESCC) 在世界的一些地理区域普遍存在。 ESCC发展呈现出从炎症到侵袭性癌症的多步骤致病过程;然而,这些过程中的关键是什幺以及它们如何演变在很大程度上是未知的,阻碍了

目标检测的准确率(accuracy),精确率(precision),召回率(recall)

脑子笨,总是搞混这几个概念,然后每次都要重新理解别人写的,还是很绕,这样写下次应该就能很快明白了,哈哈 一、 准确率(accuracy),精确率(precision),召回率(recall) TP : 将正类预测为正类数 (预测正确)   (正类) FN: 将正类预测为负类数(预测错误)(正类) FP: 将负类预测为正类数(预测错误)(

神经网络

1、多层感知机 原理: 多次重复线性回归的加权求和过程(中间的计算结果称为隐单元,隐单元构成隐层),计算完每个隐单元的加权求和之后,对结果应用一个非线性函数。再将这个函数结果用于加权求和得出y 矫正非线性(relu) 正切双曲线(tanh) sklearn.neural_network.MLPClassifier from skle

英语词组/短语-20211221

individual servings of soup 单人份的汤 the magnifying glass 放大镜 eager for knowledge 渴望知识 lung cancer 肺癌 texting while driving 开车发短信 Chinese therapy 中医理疗 cheat in the exam 考试作弊 take many pictures of different facial expressions 拍不同表

干细胞&iPS-Nat Cancer:揭示NR2F2通过促进癌症干细胞保持干性和抑制分化维持恶性鳞状细胞癌状态

NR2F2 controls malignant squamous cell carcinoma state by promoting stemness and invasion and repressing differentiation Blanpain团队使用最先进的遗传模型组合来评估NR2F2在小鼠和人类鳞状细胞癌中的作用。他们发现,NR2F2在恶性癌症中表达。NR2F2失活阻止了良性肿瘤向恶

粗读MD-UNET: Multi-input dilated U-shape neural network for segmentation of bladder cancer

        本文重点基本都在于提出的网络          这网络也没啥好说的,毕竟Unet太经典了,作者的图画得也直观。主要思路就是在Unet的基础上,在降采样时,每一层加入resize后的原图像,补充卷积过程中丢失的原本信息。

Integrated multi-omics analysis of ovarian cancer using variational autoencoders

摘要: 癌症是一种比较复杂的疾病,它作用于各种分子水平(DNA、RNA、Proteins),使它们停止对细胞功能的调节。因此我们需要综合的对这些分子水平的数据进行多组学分析,来了解那些致癌以及发展异常的细胞功能。 近年来,深度学习(DeepLearning)已经成为了综合多组学数据来对癌症进行分析的

High-Resolution Breast Cancer Screening with Multi-View Deep Convolutional Neural Networks 阅读笔记

Abstract The differences of medical images and natural images: Specifically, fine details are necessary for detection in medical images, unlike in natural images where coarse structures matter most. 一开始处理医学影像只是单纯的更换了神经网络的输入图片,没有

Optimizing radiotherapy plans for cancer treatment with Tensor Networks 公式推导解读

资料链接:http://tesi.cab.unipd.it/63583/1/Tesi_LM_P_Cavinato_Samuele.pdf 公式推导 1.列出基本等式,并将原式平方展开 2.对 H 1 H_{1}

Histopathologic Cancer Detection(densenet169)学习笔记

1、kaggle比赛地址 Histopathologic Cancer Detection | Kaggle 2、说明 这是一个二元图像分类问题。先看下官方给出的数据集构成。 train:训练集。一些病理学图像,.tif文件,大小96 x 96px。(每个样本称为patch) test:测试集。图像格式和训练集的相同。 train_labels.csv:训练集的标签

Nature Cancer | 宋尔卫/苏士成团队揭示lncRNA调控巨噬细胞“双刃剑”作用新机制

巨噬细胞 (macrophage, Mϕ) 是先天免疫系统中重要的免疫细胞,也是血液、淋巴和所有哺乳动物组织类型中最常见的吞噬细胞,具有极强的功能多样性。其中,肿瘤微环境组织中存在的巨噬细胞也被称作肿瘤相关巨噬细胞 (tumor-associated macrophages, TAMs)。一般来说,在不同生理病理因素

​最新消息,这个刚进SCI的医学期刊,明年首个影响因子将高达6分

怎么看都是只绩优股不知道各位科研同行们是否听过一句话:实验做的好,不如文章投的好。这句话虽然不准确,但是也说明了论文投稿的重要性。今天笔者给大家推荐一本最近才被SCI收录的新刊——npj Breast Cancer。1期刊介绍npj Breast Cancer是英国Nature集团于2016年创办的新刊,仅支持在线

国人友好的4分老牌SCI,一审才2周,今年或涨破6分!

大家都知道3分、5分是SCI杂志的两道分数进阶门槛,某些学校或医院等单位的政策是投中3.1分和4.9分的杂志,结果差别不大。不过,4.9分距5分只差那么一丢丢,3.1分可就有些遥远了。今天咱们就来介绍一本4.9分的老牌SCI杂志Cancer Science,今年稳破5分,甚至有望达到六七分!Cancer Science杂志近5

Personalized Cancer Therapy:精准肿瘤学资源

摘要肿瘤的高通量基因组和分子分析正在成为重要的临床方法,越来越多的分子分析被用于指导癌症患者的护理,特别是在晚期和不可治愈的癌症中。然而,浏览科学文献去进行基于分子普分析的临床决定对许多肿瘤临床医生和研究人员来说都是耗时耗力的。个性化癌症治疗网站(www.personalizedcanc

[TMI 2020] Co-Learning Feature Fusion Maps From PET-CT Images of Lung Cancer

目录 摘要引言方法MaterialsArchitectureModality-Specific EncodersMulti-Modality Feature Co-Learning and FusionReconstructionNetwork TrainingExperimental Design 结果讨论结论 摘要 论文主要做pet-ct联合分析。现有pet-ct图像分析始讲两种模态分开分析或者基于

机器学习笔记(通俗易懂)---决策树算法介绍(6)---附完整代码

机器学习笔记—决策树算法介绍(6)—附完整代码 以下都是本人在学习机器学习过程中的一些心得和笔记,仅供参考。 文章目录 机器学习笔记---决策树算法介绍(6)---附完整代码1.构造决策树2.控制决策树的复杂度3.分析决策树4.树的特征重要性5.优缺点和参数5.优缺点和参数 决

《scikit-learn》数据预处理与特征工程(三)特征选择

特征工程包括三个部分: 1、特征提取:从文字,图像,声音等其他非结构化数据中提取信息作为特征,建立最原始特征信息采集。 2、特征创造:把现有的一些特征进行组合胡总和相互计算,得到新的特征。 3:特征选择:从所有特征中挑选出最具有价值的,对模型最具有帮助的特征。 本文将全部学习特征

K-Nearest Neighbour -- Explained

K-Nearest Neighbour -- Explained K-Nearest Neighbour -- Explainedk-最近-Neigbors的优缺点优点缺点 K-Nearest Neighbour – Explained K近邻: K-nearest neighbors(kNN)是一种受监督的机器学习算法,可用于解决分类和回归任务。我将kNN视为来自现实生活的算法。人们往

2021-01-13

第二章 监督学习 监督学习主要利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程 预测某个结果,并且还有输入/输出对的示例 2.1 分类与回归 监督机器学习问题主要有两种: 分类回归 分类问题的目标是预测标签,这些标签来自预定义的可选列表,例如鸢尾花分类、垃圾邮

机器学习学习笔记之——监督学习之 k-NN 算法

监督学习 监督学习是最常用也是最成功的机器学习类型之一。如果想要根据给定输入预测某个结果,并且还有输入 / 输出对的示例时,都应该使用监督学习。这些输入 / 输出对构成了机器学习模型。我们的目标是对从未见过的新数据做出准确预测。监督学习通常需要人为来构建训练集,但之

7.逻辑回归实践

1.逻辑回归是怎么防止过拟合的?为什么正则化可以防止过拟合?(大家用自己的话介绍下) 上次的作业我们讲过什么是过拟合,过拟合就是所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越,导致在验证数据集以及测试数据集中表现不佳,机器学习时从样本学习了没用的特征。    

7.逻辑回归实践

1.逻辑回归是怎么防止过拟合的?为什么正则化可以防止过拟合?(大家用自己的话介绍下) 防止过拟合: L1正则,通过增大正则项导致更多参数为0,参数系数化降低模型复杂度,从而抵抗过拟合。 L2正则,通过使得参数都趋于0,变得很小,降低模型的抖动,从而抵抗过拟合。 加大样本量。 通过特征选择减少特

MyBlog

Contents 以某州的乳腺癌数据集入手: 1.K近邻分类&分析KNeighborsClassfier12345678910111213import matplotlib.pyplot as pltimport sklearnimport mglearnfrom sklearn.datasets import load_breast_cancercancer = load_breast_cancer()print("cancer.keys(): n{}".format(ca

sas 组内序列号

Table1. Adverse Events ID var1 var2  01 Y Cancer 01 Y Death 01 Y Prolongs Hospitalization 01 Y Life Threatening 02 N Overdose 02 N Death 02 N Disability 02 N Cancer 02 N Other   Table2. Adverse Events ID ID1 var1 var2  01 1 Y Ca

《My Deep Diary》之《Kaggle Histopathologic Cancer Detection癌症图像分类比赛之PyTorch实现》

项目地址:https://www.kaggle.com/c/histopathologic-cancer-detection/overview 本文记录了自己使用Pytorch以及Pytorch标准的Dataset的准备方式对同一问题进行了实现:   # -*- coding: utf-8 -*- import numpy as np import os,sys,csv,math import cv2 as cv import matplot