专栏名称: AI与医学
分享前沿的人工智能与医学交叉研究,提供医疗科研服务。关注大壮,科研顺畅。做医护人员科研的小助手,为您全心全意服务。
目录
相关文章推荐
51好读  ›  专栏  ›  AI与医学

医学临床数据机器学习研究和实验指导服务

AI与医学  · 公众号  ·  · 2025-03-03 00:39

正文

请到「今天看啥」查看全文


点击👆蓝字或👇名片,关注"AI与医学"



0.前言



大壮归来

“科研,自己说的算”


好消息!!!

好消息!!!

希望友友们奔走相告,


大壮可以为友友们提供一些服务,让友友们科研更轻松。


1.服务介绍

主要是帮助朋友们提供代码、算法相关服务,让科研更轻松。工具会自动生成各种分析结果图表和报告,减少您数据整理、建模和分析的宝贵时间。

(1)写作思路指导

基于机器学习和临床数据交叉应用

1)支持开源数据指导,没有临床数据也可以

2)支持自有临床数据指导

(2)数据处理

1)支持多维度、多种形式的数据(连续和离散数据格式、声音、图像、等数据格式)

2)支持数据清洗剔除无效数据、对缺失的数据进行补齐修复

3)支持数据归一化、标准化

4)支持人工特征选择

5)支持数据降维(PCA)

(3)机器学习数据建模

1)多种机器学习建模指导,包括常规机器学习算法

2)支持算法参数调优

序号

模型

1

逻辑回归

2

决策树

3

随机森林

4

贝叶斯

5

最近邻

6

多层感知机

7

持续更新中

3)可解释机器学习模型分析

4)传统数据分析

a.数据分布

b.数据 相关性 分析


(4)数据分析评估指导

支持算法交叉验证和评估,支持多种评价指标分析。

序号

评估指标名称

1

AUC

2

accuracy

3

recall

4

precision

5

F1

6

Kappa

7

MCC

8

持续更新

(5)丰富的输出结果

丰富结果图和excel表格

2.案例-以乳腺癌分类为例

2.1数据介绍

威斯康星州UCI ML乳腺癌(诊断)数据集的副本(https://goo.gl/U2Uwz2)。特征是从乳腺肿块的细针抽吸物(FNA)的数字化图像中计算出来的。它们描述了图像中细胞核的特征。是一个经典的用于二分类问题的数据集,用于对乳腺癌的诊断进行分类。该数据集包含了569个乳腺癌肿瘤样本的特征数据和相应的标签信息。每个特征都被测量为一个实数值,用于描述细胞核图像的不同属性,属性如表2所示。

1- 数据详情

项目

数据

说明

总量

569

212 - Malignant, 357 - Benign

特征数量

30

详见表 2

类别数量

2

恶性肿瘤和良性肿瘤

2- 数据集属性说明

序号

属性

说明

1

radius (mean):

半径(均值)

2

texture (mean):

纹理(均值)

3

perimeter (mean):

周长(均值)

4

area (mean):

区域(均值)

5

smoothness (mean):

平滑度(均值)

6

compactness (mean):

紧密度(均值)

7

concavity (mean):

凹陷(均值)

8

concave points (mean):

凹点(均值)

9

symmetry (mean):

对称性(均值)

10

fractal dimension (mean)

分形维数(均值)

11

radius (standard error):

半径(标准差)

12

texture (standard error):

纹理(标准差)

13

perimeter (standard error):

周长(标准差)

14

area (standard error):

区域(标准差)

15

smoothness (standard error):

平滑度(标准差)

16

compactness (standard error):

紧密度(标准差)

17

concavity (standard error):

凹陷(标准差)

18

concave points (standard error):

凹点(标准差)

19

symmetry (standard error):

对称性(标准差)

20

fractal dimension (standard error):

分形维数(标准差)

21

radius (worst):

半径( 最差 / 最大值的平均数值

22

texture (worst):

纹理( 最差 / 最大值的平均数值

23

perimeter (worst):

周长( 最差 / 最大值的平均数值

24

area (worst):

区域( 最差 / 最大值的平均数值

25

smoothness (worst):

平滑度( 最差 / 最大值的平均数值

26

compactness (worst):

紧密度( 最差 / 最大值的平均数值

27

concavity (worst):

凹陷( 最差 / 最大值的平均数值

28

concave points (worst):

凹点( 最差 / 最大值的平均数值

29

symmetry (worst):

对称性( 最差 / 最大值的平均数值

30

fractal dimension (worst):

分形维数( 最差 / 最大值的平均数值

2.2 数据结果

(1)5 kfold 交叉验证评估结果


(2)多模型评估结果

(3)混淆矩阵



— THE END —

排版:大壮

美工:大壮

注:本文仅用于分享和研究AI与医学相关学术论文

如存在侵权,请告知,及时删






往期精彩回顾


机器学习在临床医学研究中的应用套路

基于机器学习的败血症和红细胞宽度关系研究

基于低剂量CT和深度学习肺结节恶性肿瘤风险评估

慢性阻塞性肺疾病(COPD)和人工智能(AI)

Deep-COVID:基于深度迁移和胸部 X片的COVID-19预测

基于CT和电子病历多模态融合的肺栓塞检测

基于深度学习分割算法肺部癌症X光片的检测

基于深度学习的阿尔茨海默病辅助诊断和多模态特征融合

基于多模态信息融合的乳腺癌诊断

基于多模态数据融合的肺部肿瘤智能分析

基于多模态数据融合的精神分裂症分类




科研服务

医学朋友们福利来了

1.大壮开可以实现临床数据快速清洗和建模,欢迎大家咨询

👉👉 机器学习在临床医学研究中的应用套路

2.大壮提供医疗影像研究方向、算法实现咨询服务,包括但不局限CT、MRI图像分割、图像生成、多模态等技术支持。 感兴趣或者想了解论文评论区留言或者联系大壮,大壮根据情况进行解读










请到「今天看啥」查看全文