检索结果-内蒙古大学图书馆

陆军军医大学学报 2025年第6期47卷 613-622页

作者：李佳芮钱力沈俊杰郭泓麟秦茂洋伍亚舟陆军军医大学(第三军医大学)军事预防系医学系军队卫生统计学教研室重庆

目的旨在对10种癌症转录组学数据开展深度分析与特征提取,进而实现对癌症样本的分期诊断。方法在UCSC Xena网站收集发病率最高的10种癌症转录组学数据(包含4938个样本和59428个基因),以变分自编码器为基础,利用特征重要性排序思想,通过... 详细信息

目的旨在对10种癌症转录组学数据开展深度分析与特征提取,进而实现对癌症样本的分期诊断。方法在UCSC Xena网站收集发病率最高的10种癌症转录组学数据(包含4938个样本和59428个基因),以变分自编码器为基础,利用特征重要性排序思想,通过引入掩码算法和增量特征选择方法(incremental feature selection,IFS),构建了增量特征排序选优变分自编码器(incremental feature ranking and selection variational autoencoder,IFRSVAE);与随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和极限梯度提升树(eXtreme gradient boosting,XGboost)结合测试了该方法的性能,并同其他方法进行比较。结果提取了21个特征用于后续分类,较于传统变分自编码器、递归特征消除和Lasso回归模型,IFRSVAE模型在3种分类器上均取得了较好性能(AUC值最高,其余指标也表现良好);其中IFRSVAE-RF表现最好,AUC达到了85.49%(95%CI:83.24%~87.74%)。此外,还应用了沙普利加性解释(Shapley additive explanations,SHAP)模型对特征贡献进行展示。结论本研究探索并验证了IFRSVAE在特征提取方面具备一定成效。基于此构建的IFRSVAE-RF模型,在癌症分期诊断任务中展现出较好的表现,为深度学习在癌症分期诊断方法的研究方向上,提供了一种可供参考的新思路。

关键词：癌症分期转录组学变分自编码器机器学习

来源：评论

学校读者我要写书评

暂无评论

基于随机生存森林算法的NK/T细胞淋巴瘤患者预后模型的构建与验证

引用

陆军军医大学学报 2025年第3期47卷 275-284页

作者：黄侦伍亚舟陆军军医大学(第三军医大学)军事预防医学系军队卫生统计学教研室重庆陆军军医大学(第三军医大学)第一附属医院血液病中心重庆

目的探讨NK/T细胞淋巴瘤(natural killer T-cell lymphoma,NKTL)患者的生存预后影响因素。基于随机生存森林(random survival forest,RSF)算法,构建预测NKTL患者总生存期(overall survival,OS)的预后模型。方法从SEER数据库收集2000-2020年的NKTL患者的人口统计学和临床病理资料。按照7∶3的比例将患者划分为训练队列(n=471)和验证队列(n=203)。通过Cox回归分析确定影响患者OS的预后因素,并基于分析结果构建列线图模型。同时,使用RSF算法确定影响患者OS的预后因素,并构建RSF模型。采用ROC曲线、校准曲线和决策曲线、净重新分类指数(net reclassification improvement,NRI)和综合判别改善指数(integrated discrimination improvement,IDI)对模型的预测能力进行评估,并比较2种模型的预测效果。通过2种模型计算每位患者的风险得分,根据风险得分的中位数,将患者分为高风险组和低风险组,并绘制生存曲线进行比较。结果Ann Arbor分期、年龄、放疗、联合治疗和疾病类型是与生存显著相关的预后变量。在验证队列中,列线图模型的1、3和5年ROC曲线下面积(area under curve,AUC)分别为0.745、0.771和0.748,而RSF模型的AUC为0.764、0.792和0.761。ROC曲线显示2种模型在预测OS方面具有良好的准确性和区分性。校准曲线显示2种模型预测的生存与实际生存之间具有良好的一致性。两种模型均能有效地将患者分为预后差组和预后好组,并且预后差组患者的OS显著低于预后好组(P<0.0001)。决策曲线显示RSF模型的净获益优于列线图模型。与列线图模型相比,RSF模型的NRI为0.184(95%CI:0.098~0.267,P<0.01),IDI为0.300(95%CI:0.241~0.359,P<0.01),RSF模型的预测能力优于列线图模型。结论Ann Arbor分期、年龄、放疗、联合治疗和疾病类型是NKTL患者预后的影响因素,本研究据此建立的RSF模型对NKTL患者预后具有很好的预测能力,可有效评估患者预后。

关键词： NK/T细胞淋巴瘤 SEER数据库列线图机器学习随机生存森林生存预测

来源：评论

学校读者我要写书评

暂无评论

客观测量睡眠模式与各系统疾病谱系风险:英国生物银行87617人队列研究

引用

陆军军医大学学报 2025年第4期47卷 318-325页

作者：王艺蒙陈卿罗斯文史富全何孟超王圣峰温俏睿代应忠屈壕曹佳陆军军医大学(第三军医大学)军事预防医学系毒理学研究所重庆解放军疾病预防控制中心应急处置大队北京北京大学公共卫生学院流行病与卫生统计学系北京重大疾病流行病学教育部重点实验室(北京大学) 北京

目的探究睡眠模式对各系统疾病发生风险的影响。方法研究对象来源于英国生物银行一个含有87617名志愿者的子样本数据,使用加速度计获得3个维度(睡眠时长和入睡时间;睡眠节律;睡眠质量)6项睡眠指标,采用潜在剖面分析(latentprofile analy... 详细信息

目的探究睡眠模式对各系统疾病发生风险的影响。方法研究对象来源于英国生物银行一个含有87617名志愿者的子样本数据,使用加速度计获得3个维度(睡眠时长和入睡时间;睡眠节律;睡眠质量)6项睡眠指标,采用潜在剖面分析(latentprofile analysis,LPA)的方法探究人群中存在的睡眠模式,并结合纵向随访医疗记录,分析睡眠模式与467种疾病发生风险的关联。结果LPA将人群分成5个不同睡眠模式的亚群,与参考亚群4相比,其他亚群分别在不同的睡眠维度表现出差异,至少1种睡眠指标呈现不良趋势。不同睡眠模式的亚群在人种构成、倒班工作、社会剥夺指数等方面存在差异。不同亚群在各系统疾病的发生风险上也有明显差异(P<0.05)。与参考亚群4相比,其余各亚群均表现出某些疾病(共计126种)风险上升,以循环系统、消化系统和骨骼肌肉系统关联病种最多;各亚群中,亚群2(睡眠时长较短,入睡较晚)和亚群5(节律指标较差)关联的风险病种最多(分别为85和91种),且两者关联的病种在系统构成上也有一定差异。结论人群中存在不同睡眠模式的群体,其与多系统疾病风险上升有关。针对睡眠的整体模式而非单个维度进行综合干预,可能形成显著的健康收益。

关键词：加速度计潜在剖面分析英国生物银行疾病风险

来源：评论

学校读者我要写书评

暂无评论

纵向数据潜变量增长曲线模型及其在Mplus中的实现

引用

中华流行病学杂志 2017年第8期38卷 1132-1135页

作者：宋秋月伍亚舟第三军医大学军事预防医学系卫生统计学教研室重庆400038

探讨纵向数据潜变量增长曲线模型及其在Mplus中的实现方法。通过实例采用Mplus软件处理某高校大学生心理健康状况纵向数据。结果表明潜变量增长曲线模型可以处理含有潜变量的纵向数据，能够比较总体发展趋势和个体发展的差异，纳入协变... 详细信息

探讨纵向数据潜变量增长曲线模型及其在Mplus中的实现方法。通过实例采用Mplus软件处理某高校大学生心理健康状况纵向数据。结果表明潜变量增长曲线模型可以处理含有潜变量的纵向数据，能够比较总体发展趋势和个体发展的差异，纳入协变量可以提高模型拟合效果；采用Mplus软件实现潜变量增长曲线模型，程序简单，操作方便。纵向数据潜变量增长曲线模型及其在Mplus中的实现程序，可为实际应用尤其是流行病学队列研究提供统计方法学方面的指导和参考。

关键词：纵向数据潜变量增长曲线模型 Mplus软件

来源：评论

学校读者我要写书评

暂无评论

季节效应分析在医院管理中的应用

引用

第三军医大学学报 1998年第6期20卷 553-555页

作者：张蔚王文昌第三军医大学预防医学系卫生统计学教研室

目的：建立一种较简单的便于实际应用的时间序列预测模型。方法：运用季节时间序列的加法模型，分离出其趋势值及季节调整值，再通过叠加得到预测值。结果：实例表明，本方法与时间序列的常规季节比率法的预测效果相似，能说明时间序列... 详细信息

目的：建立一种较简单的便于实际应用的时间序列预测模型。方法：运用季节时间序列的加法模型，分离出其趋势值及季节调整值，再通过叠加得到预测值。结果：实例表明，本方法与时间序列的常规季节比率法的预测效果相似，能说明时间序列的变化趋势、周期性和波动性。结论：本方法简便，能直接求得各季度的调整值，有一定的推广价值。

关键词：医院管理季节效应分析时间序列预测

来源：评论

学校读者我要写书评

暂无评论

多源数据预测重庆市肝炎发病趋势的时滞输入神经网络研究

引用

陆军军医大学学报 2024年第12期46卷 1447-1456页

作者：姚田华陈锡程伍亚舟陆军军医大学(第三军医大学)军事预防医学系军队卫生统计学教研室重庆400038

目的利用多源互联网数据构建时序分析融合工具,继而精准预测重庆市肝炎的发病趋势。方法利用卫生疾控中心数据库获取肝炎发病率数据,大气污染物数据来源于中国环境监测总站官网,气候数据来源于国家气象星系中心,网络指数数据来源于百度... 详细信息

目的利用多源互联网数据构建时序分析融合工具,继而精准预测重庆市肝炎的发病趋势。方法利用卫生疾控中心数据库获取肝炎发病率数据,大气污染物数据来源于中国环境监测总站官网,气候数据来源于国家气象星系中心,网络指数数据来源于百度搜索引擎,时间范围均为2013年11月至2023年5月。基于现有的时序分析方法,利用多源数据对分解模型的残差部分进行校正。基于非自回归(non-autoregressive,NAR)和长短期记忆递归神经网络(long short term memory,LSTM)的各自优势,构建了时滞输入神经网络(delayed input neural network,DINN)。之后,还在其基础上加入了星雀优化算法(nutcracker optimizer algorithm,NOA)和联合四分位-Huber损失函数(joint quantile Huber loss,JQHL)等优化模块,继而构建了DINN+。结果相较于常见的单输入模型及同步多输入模型,DINN可取得最为优异的预测效果。在加入超参数和损失函数优化后,DINN+的预测性能进一步提升,其测试集MSE为0.1709、MAE为0.4612、RMSE为0.5821、MAPE为0.0626、R 2为0.8840。结论基于多样方法和多元数据融合的思想,在既往的时序分析方法基础上,本文提出了一个准确性和泛化能力良好的DINN+优化模型。该模型丰富和补充了利用多源数据校准传染病时序预测分析的方法学研究内容,可作为未来传染病公共卫生层面影响因素分析及趋势预测的全新基准。

关键词：时序分析发病趋势 LSTM 神经网络元启发式算法

来源：评论

学校读者我要写书评

暂无评论

基于转录组学数据和堆叠监督自编码器的肺腺癌预后预测研究

引用

陆军军医大学学报 2023年第6期45卷 579-585页

作者：李鹏鹏陈锡程黄金羽伍亚舟陆军军医大学(第三军医大学)军事预防医学系军队卫生统计学教研室重庆400038

目的基于转录组学数据构建堆叠监督自编码器(stacked supervised autoencode,SSAE)模型,旨在提高肺腺癌(lung adenocarcinoma,LUAD)预后预测的能力。方法收集癌症基因组图谱(the Cancer Genome Atlas,TCGA)数据库的转录组学数据(包含475例样本和25481个基因),对LUAD患者进行生存预后分析和基因差异表达分析,方法包括SSAE、随机生存森林(random survival forest,RSF)和DeepSurv,使用一致性指数(concordance index,CI)和Log-rank检验以P值评估各方法性能。结果相较于RSF(CI=0.54,P=0.15)和DeepSurv(CI=0.55,P=0.10),SSAE获得了更高的一致性指数(CI=0.58)和更低的Log-rank检验P值(P=0.05)。在生存分析上,高危组和低危组的生存结局有显著差异(HR:2.841,95%CI:1.907~4.232,Log-rank检验P<0.001)。生信分析选出了IGFBP1、ANXA13、MUC2、CIDEC、NTSR1、DSG3等21个上调的代表性差异基因。结论相较于既往研究,利用组学数据构建的SSAE可有效提高LUAD预后预测的能力。深度学习和组学研究的交叉融合可为癌症相关的诊断、治疗、预后研究提供新的方案。

关键词：肺腺癌转录组学预后预测 Cox回归自编码器

来源：评论

学校读者我要写书评

暂无评论

人工智能在临床领域的研究进展及前景展望

引用

陆军军医大学学报 2022年第1期44卷 89-102页

作者：伍亚舟陈锡程易东陆军军医大学(第三军医大学)军事预防医学系军队卫生统计学教研室重庆400038

人工智能(artificial intelligence,AI)的提出引发了医学领域的诸多技术创新,并彻底改变了传统医学模式。医学人工智能主要包括机器学习(machine learning,ML)、深度学习(deep learning,DL)、专家系统(expert systems,ES)、智能机器人(i... 详细信息

人工智能(artificial intelligence,AI)的提出引发了医学领域的诸多技术创新,并彻底改变了传统医学模式。医学人工智能主要包括机器学习(machine learning,ML)、深度学习(deep learning,DL)、专家系统(expert systems,ES)、智能机器人(intelligent robots,IR)及医疗物联网(internet of medical things,IoMT)等常用和新兴AI技术方法。AI在医学领域的应用主要体现于智能筛查、智能诊断、风险预测和辅助治疗等方面。当前医学AI已经取得了重大突破,大数据质量治理、新技术赋能革新、多领域知识整合和个性化医疗决策等在临床领域中将展示出更为广阔的发展前景。

关键词：人工智能大数据机器学习深度学习临床领域

来源：评论

学校读者我要写书评

暂无评论

基于SMOTEENN算法的音乐APP听歌习惯与大学生抑郁倾向的相关性研究

引用

陆军军医大学学报 2024年第23期46卷 2670-2680页

作者：黄馨巧朱珲屈壕伍亚舟宋秋月陆军军医大学(第三军医大学)军事预防医学系军队卫生统计学教研室重庆400038

目的探究基于音乐APP听歌习惯的大学生抑郁倾向影响因素,构建预测模型并进一步优化。方法 2023年4~5月采用方便抽样对1 157份在校大学生进行问卷调查,利用单因素分析和Logistic回归分析筛选影响因素,在此基础上构建预测模型;采用SMOTE... 详细信息

目的探究基于音乐APP听歌习惯的大学生抑郁倾向影响因素,构建预测模型并进一步优化。方法 2023年4~5月采用方便抽样对1 157份在校大学生进行问卷调查,利用单因素分析和Logistic回归分析筛选影响因素,在此基础上构建预测模型;采用SMOTEENN过抽样算法改进数据集,构建预测模型。结果 Logistic回归分析发现性别:女性(OR=1.730,95%CI:1.257~2.396),年级:大四和研究生(OR=2.649,95%CI:1.198~7.506)、(OR=2.041,95%CI:1.231~3.885),专业:理科(OR=1.573,95%CI:1.052~2.350),每天听歌时长:0.5~2 h(OR=1.661,95%CI:1.011~2.695),听歌曲风:“伤情”和“怀旧”(OR=2.668,95%CI:1.701~4.226)、(OR=1.751,95%CI:1.086~2.837),留言频率:“0~5%”的歌曲留言(OR=2.938,95%CI:1.018~8.417)是抑郁倾向的独立危险因素。开始听歌的年限:1~3年内(OR=0.547,95%CI:0.347~0.872),听歌时间段:14:00~18:00和18:00~21:00(OR=0.375,95%CI:0.167~0.845)、(OR=0.313,95%CI:0.148~0.671),“国风”类歌曲:喜欢(OR=0.711,95%CI:0.541~0.941)是抑郁倾向的独立保护因素。预测效果最优的模型为基于SMOTEENN算法的Logistic预警模型,AUC为0.923。结论构建Logistic回归模型得到大学生抑郁倾向的9个独立影响因素。基于SMOTEENN算法所构建的预警模型能更准确地预测大学生的抑郁倾向。

关键词：大学生音乐APP 听歌习惯抑郁倾向预警模型

来源：评论

学校读者我要写书评

暂无评论

Logistic回归模型异常值的判定原理探讨

引用

第三军医大学学报 1994年第5期16卷 326-328页

作者：易东许汝福夏结来第三军医大学预防医学系卫生统计学教研室第四军医大学预防医学系卫生统计学教研室

笔者综合运用非线性回归诊断分析，建立了Ｌｏｇｉｓｔｉｃ回归模型异常值判定的基本原理和方法。其基本思想是：（１）利用Ｐｅａｒｓｏｎ残差初步确定Ｌｏｇｉｓｔｉｃ回归模型的可疑异常值；（２）利用Ｓｃｏｒｅ检验统计量对可疑异... 详细信息

笔者综合运用非线性回归诊断分析，建立了Ｌｏｇｉｓｔｉｃ回归模型异常值判定的基本原理和方法。其基本思想是：（１）利用Ｐｅａｒｓｏｎ残差初步确定Ｌｏｇｉｓｔｉｃ回归模型的可疑异常值；（２）利用Ｓｃｏｒｅ检验统计量对可疑异常值进行假设检验。最后，作者将此方法应用于急性淋巴细胞性白血病的预后分析中。

关键词：异常值 Logistic模型白血病预后

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：