导读:本文包含了分类评分论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:评分,腰椎,甲状腺,多普勒,超声,损伤,生活垃圾。
分类评分论文文献综述
黄恋舒,夏启政[1]（2019）在《基于机器学习的多分类Logistic回归——明星影响力对电影票房评分的影响分析》一文中研究指出票房与评分作为评价一部电影最重要的两个方面,传统研究考虑他们的影响因素时,只考虑多个影响因素对其中一个因素的影响(即"多对一")。本文提出基于多分类Logistic回归模型,构造一种单一影响因素对多个因素(即"一对多")是否产生影响的分析方法,并从理论角度对该方法给予了证明;并将该方法应用在2017年和2018年国产电影数据中,分析了明星影响力对电影票房评分两方面的影响,发现明星影响力对电影票房评分没有显着影响。(本文来源于《现代信息科技》期刊2019年21期）
付忠泉,禤天航,霍智铭,曹正霖,关宏刚[2]（2019）在《胸腰椎损伤分类及损伤程度评分在胸腰椎椎体骨折微创手术预后评价中的应用》一文中研究指出目的探讨胸腰椎损伤分类及损伤程度评分(TLICS)在胸腰椎椎体骨折微创手术预后评价中的应用价值。方法选取胸腰椎椎体骨折患者86例为研究对象,患者TLICS评分均≥4分,均行微创经皮椎弓根螺钉固定手术治疗。评价治疗效果并统计并发症发生率。分别在术前和术后12个月行Oswestry功能障碍指数(ODI)评分评价。比较不同术前TLICS评分患者的治疗有效率以及围术期ODI评分,并分析其术前TLICS评分与治疗有效率、ODI评分的关系。分析术前TLICS评分预测治疗效果的价值。结果 86例患者的TLICS评分4～10分,平均(8.36±4.21)分,治疗有效率为90.70%(78/86),无明显并发症的发生。与术前比较,患者术后12个月ODI评分降低(P<0.05)。与TLICS评分≤8分患者比较,TLICS评分>8分患者治疗有效率降低,术前和术后12个月ODI评分升高(P<0.05)。Pearson线性相关分析结果显示,患者TLICS评分与其术前和术后12个月ODI评分均密切相关(r=0.866、0.923,P<0.05)。Spearman相关分析结果显示,患者TLICS评分与其治疗有效率亦密切相关(r=-0.788,P<0.05)。诊断性实验四格表分析结果显示,术前TLICS评分预测其治疗有效率的价值良好。结论 TLICS与胸腰椎椎体骨折微创手术疗效和预后均密切相关,可能用于其疗效和预后评估。(本文来源于《广东医学》期刊2019年18期）
蒋君芳[3]（2019）在《成都高新区公布生活垃圾分类考核评分细则》一文中研究指出本报讯（记者 蒋君芳）近日，记者从成都高新区生态环境和城市管理局获悉，为推进2019年生活垃圾分类工作，成都高新区对成都市2019年生活垃圾分类考核评分、分类目标等进行了分解和细化。按照工作要求，今年年底前，区域内党政机关、学校、医院、商业综合体、客运站(本文来源于《四川日报》期刊2019-08-28）
马策,刘昕,穆维娜[4]（2019）在《超声造影评分在ACR甲状腺影像报告和数据系统分类中的应用》一文中研究指出目的探讨超声造影(CEUS)评分在2017版美国放射协会(ACR)甲状腺影像报告和数据系统(TI-RADS)分类中鉴别甲状腺良、恶性结节的应用价值。资料与方法回顾性分析经手术或穿刺活检病理证实的223个甲状腺结节,均有完整的二维超声及CEUS资料。对结节进行TI-RADS分类和CEUS评分,根据结节直径分为直径≥1 cm组与直径<1 cm组;再将直径≥1 cm的结节依据TI-RADS分类分为穿刺和随访2个亚组,对每个分组联合CEUS评分评估结节,分析CEUS评分在TI-RADS分类中的应用价值。结果对于≥1 cm组(n=133)的结节,TI-RADS分类及CEUS评分最佳临界值分别为6和3分,两者联合诊断的受试者工作特征(ROC)曲线下面积为0.932(95%CI 0.875～0.968),大于TI-RADS分类(0.884,95%CI 0.818～0.933)及CEUS评分(0.892,95%CI 0.826～0.939),差异有统计学意义(P均<0.05)。穿刺亚组(n=121)不必要穿刺率为26.3%(35/133),联合CEUS评分后,不必要穿刺率为3.8%(5/133),差异有统计学意义(P<0.001)。在<1 cm组(n=90)中,TIRADS分类及CEUS评分最佳临界值分别为7和3分,两者联合的ROC曲线下面积为0.946(95%CI 0.877～0.982),大于TIRADS分类的ROC曲线下面积(0.810,95%CI 0.714～0.885),差异有统计学意义(P<0.05),但与CEUS评分ROC曲线下面积(0.892,95%CI 0.809～0.948)比较,差异无统计学意义(P>0.05)。结论 TI-RADS分类对鉴别甲状腺良恶性具有一定的诊断价值,通过CEUS评分,有效提高了其诊断效能,同时降低了穿刺率。(本文来源于《中国医学影像学杂志》期刊2019年07期）
粟世桃[5]（2019）在《乳腺结节超声BI-RADS分类3~5类的量化评分研究》一文中研究指出目的探讨超声BI-RADS分类量化评分方法在乳腺结节良恶性风险评估中的价值。方法分析纳入研究的824个乳腺结节的超声征象,包括成分、内部回声、纵横比、边缘、后方回声、钙化、周围组织、内部血流、腋窝淋巴结等,将上述超声征象与患者年龄作为评分指标并进行赋值,计算每一个结节的总分,以病理结果作为诊断金标准,绘制ROC曲线。根据每个乳腺结节的总分及设定的BI-RADS各类别的分值界限得到各个结节的BI-RADS分类,计算各类别的恶性构成比。结果实性、低回声、边缘成角或毛刺或分叶为诊断乳腺癌的灵敏度较高的超声征象,灵敏度分别为98.48%、100%、97.73%;纵横比≥0.8、后方回声衰减、导管内团块并导管扩张、钙化、周围组织改变、Vmax≥20cm/s、RI≥0.70、动静脉瘘及腋窝淋巴结异常诊断乳腺癌的特异度较高,其特异度分别为81.50%、97.25%、99.57%、85.11%、95.95%、98.70%、87.57%、99.71%、98.41%。824个乳腺结节中良性结节692个,总分3~18分,中位数6分;恶性结节132个,总分6~21分,中位数14.5分,恶性结节评分显着高于良性结节(p<0.001)。所有结节总分的ROC曲线下面积为0.936。选择总分10分(对应BI-RADS分类4b类)作为良恶性结节的分值界限,其灵敏度、特异度、准确度、阳性预测值和阴性预测值分别为84.85%、82.51%、82.89%、48.07%和96.62%。824个乳腺结节超声BI-RADS分类3类、4a类、4b类、4c类和5类的恶性构成比分别为0%、6.47%、19.83%、62.90%和90.91%。结论1、BI-RADS量化评分方法可行性大,对乳腺结节的良恶性风险评估有较高的准确度。2、BI-RADS量化评分结果可为临床医师制定治疗方案提供参考。3、BI-RADS量化评分方法具有重要的推广应用价值。(本文来源于《广西医科大学》期刊2019-06-01）
郭轶斌[6]（2019）在《分类资料全局最优倾向性评分区间匹配的研究与应用》一文中研究指出研究背景:随机对照试验(Randomized Controlled Trial,RCT)被认为是证据等级最高的研究设计,是研究因果效应(Causal Effect)的金标准。但RCT研究并不能解决医学研究中的所有问题。由于观察性研究(observational study)不对研究对象进行随机分组,并且相对RCT更加节省费用和时间,因此越来越受到生物医学科研人员的关注。但观察性研究的研究对象基线变量在各个分组间存在着明显差异,存在混杂偏倚,从而影响处理效应估计(estimation of treatment effects)的准确性。倾向性评分法(Propensity Score,PS)是常见的可以用来控制可观测混杂的方法,其中,倾向性评分匹配法(Propensity Score Matching,PSM)应用最为广泛。PSM的基本思想是将PS相同或相近的处理组与对照组对象进行匹配,从而使得匹配后两组对象基线协变量均衡可比,控制混杂效应对处理效应估计的偏倚。为了控制匹配质量,只有处理组与对照组对象的PS距离小于设定好的一个值(卡钳值,caliper)时,才能形成匹配,该匹配方法称为倾向性评分卡钳匹配(Propensity Score Caliper Matching,PSCM)。此时由于部分处理组对象无法再对照组中找到PS距离小于卡钳值的对象从而排除匹配,因此会损失部分的样本。样本量损失的多少与卡钳值设置的大小有关。传统的PSM使用的是PS的点估计,未考虑抽样误差,损失了部分倾向性评分的信息。因此有学者提出使用倾向性评分的置信区间(confidence Interval,CI)进行匹配,称为倾向性评分区间匹配(Propensity Score Interval Matching,PSIM)。PSIM能使匹配率得到显着提升,尤其是在样本量较小的情况下。但可能导致匹配后组间协变量均衡性变差。基于运筹学整数规划问题中的指派问题(assignment problem)基本思想所构建的全局最优匹配(global optimal matching),着眼于使所有形成配对对象的倾向性评分距离之和达到最小或倾向性评分置信区间重合度之和达到最大,从而提高匹配质量,增加组间协变量的均衡性。因此,本研究将全局最优匹配算法用于优化PSIM,构建全局最优的倾向性评分区间匹配(Global Optimal Propensity Score Interval Matching,GOPSIM)算法,在增加匹配率的同时进一步平衡组间协变量,并将该算法扩展到处理因素为无序叁分类的情形,以满足实际研究中的需要。研究目的:观察性研究中存在较强混杂效应或样本量较小的情形下,使用PSCM会损失较多样本。若不使用卡钳匹配,组间协变量的均衡性就可能较差。本研究针对这一系列问题,提出能提高匹配率、提升效应估计准确度以及增加统计效率的PSIM方法。并将能进一步优化匹配质量,提升匹配后基线均衡性的基于“指派问题”的全局最优算法应用于PSIM中。并将该匹配算法从处理因素为两分类扩展到无序叁分类的情形。通过数据模拟研究,探索最优的PSIM的卡钳重合度,以及评价全局最优倾向性评分区间匹配的估计效应的准确性和精确性,从而构建最优的匹配算法。再将优化后的匹配算法应用于第五次全国卫生服务调查(上海地区)的实例研究中。研究方法:1.匹配算法构建本研究分别针对对两分类和无序叁分类两种处理因素类别数,从优化性能(局部最优、全局最优)、匹配方法(点估计匹配、置信区间匹配)和卡钳设置情况(卡钳值、卡钳区间)等3个方面的不同水平组合进行匹配算法的构建,各构建2*2*2=8种匹配算法,共计16种。2.模拟数据集生成(1)两分类处理因素首先生成自变量,根据变量关系矩阵生成18个自变量,其中9个服从发生事件率为0.5的伯努利分布的两分类自变量X_1-X_9,以及9个服从均数为0,方差为1的正态分布连续性自变量X_1 _0-X_1 _8。使用logit函数和伯努利函数,并根据混杂效应的叁种强度生成两分类处理变量,调整常数项使接受处理的对象比例控制在30%左右。最后,根据结局变量和处理变量与协变量的相关关系,使用logit函数和伯努利函数生成两分类结局变量,调整常数项使发生结局的比例控制在20%左右。两分类处理因素的模拟研究设置了3种样本量大小(200、500和1000)、3种混杂效应大小、6种处理效应大小共3*3*6=54种情形。每个情形生成1000个数据集,共产生了54,000个模拟数据集。(2)无序叁分类处理因素自变量的生成跟处理因素为两分类一致。使用logit函数和多项分布函数,并根据混杂效应的叁种强度生成叁分类处理变量,调整常数项使叁个处理水平发生的比例控制在2:3:5左右。最后根据处理变量、协变量和结局变量的关系,logit函数和伯努利函数生成两分类的结局变量,调整常数项使结局变量发生的比例控制在20%左右。无序叁分类处理因素的模拟研究设置了2种样本量(500和1000)、3中混杂效应大小、两种处理效应大小,共2*3*2=12种情形。每种情形生成1000个数据集共12,000个模拟数据集。3.匹配算法的评价本研究根据以下7种评价指标来评价不同匹配算法的表现性能,包括:处理效应估计的绝对偏倚(absolute bias)、处理效应估计的相对偏倚(percent bias)、处理效应估计的方差(variance)、处理效应估计的均方误差(mean squared error)、处理效应估计的95%置信区间覆盖率(coverage of 95%CI)、匹配率和协变量组间标准化差异(standardized difference)。使用一般线性模型(general linear model,GLM)估计不同匹配方法7个评价指标的边际均数(marginal means),从而判断不同匹配方法的匹配性能的优劣。4.实例分析以上海区第五次国家卫生服务调查数据作为实例分析部分的资料来源。处理因素为二分类的实例为上海市郊区65岁以上独居老人与非独居老人的自评健康状况差异;处理因素为无序叁分类的实例为上海市某区参保叁种不同基本医疗保险的65岁以上老年女性居民的卫生服务利用情况比较分析。研究结果:1.模拟研究结果(1)倾向性评分区间匹配(1)处理因素为两分类两分类处理的局部最优匹配共四种,分别是两分类倾向性评分最邻近匹配(PSNNM2)、倾向性评分卡钳匹配(PSCM2)、倾向性评分最大区间重合度匹配(PSMIOM2)和倾向性评分区间匹配(PSIM2)。这4种匹配方法均能很大程度上降低处理效应的估计偏倚,并使得协变量在组间相对均衡。在未进行匹配时,处理效应估计的绝对偏倚和相对偏倚均很大。PSNNM2、最优卡钳值的PSCM2和PSMIOM2较其他方法绝对偏倚和相对偏倚均较大。其余匹配方法均能达到非常好的处理效应估计准确性。除了PSMIOM2外,其余匹配方法均能使协变量达到均衡状态。PSIM2绝对偏倚的绝对值在大多数的卡钳区间下均小于最优卡钳匹配,且有较高的匹配率。随着卡钳区间的减小,绝对偏倚也随之增加,当卡钳区间为0.60时绝对偏倚最接近0。此外,随着卡钳区间的增加,匹配率的逐渐下降。相反地,组间均衡性却增加。匹配率和协变量的组间均衡性互相矛盾,匹配率的增加会使协变量组间均衡性变差。(2)处理因素为无序叁分类无序叁分类处理的局部最优匹配共四种,分别是处理因素为无序叁分类倾向性评分最邻近匹配(PSNNM3)、倾向性评分卡钳匹配(PSCM3)、倾向性评分最大区间重合度匹配(PSMIOM3)和倾向性评分区间匹配(PSIM3)。对于不同卡钳区间的PSIM3,随着卡钳区间的增加,协变量的平均标准化差异随之降低。相应地,匹配率也会随之下降。当实际数据的叁个处理组的基线协变量差异较大时,模拟研究结果显示,卡钳区间设置为2.8时,可以更好地控制组间协变量的均衡性。反之,当基线协变量较均衡时,可以选取2.4作为卡钳区间来保证较高的匹配率,使得更多的对象可以形成匹配。(2)全局最优倾向性评分匹配(1)处理因素为两分类变量两分类的全局最优倾向性匹配共四种:两分类处理全局最优倾向性评分最邻近匹配(GOPSNNM2)、全局最优倾向性评分卡钳匹配(GOPSCM2)、全局最优倾向性评分最大区间重合度匹配(GOPSMIOM2)和全局最优倾向性评分区间匹配(GOPSIM2)。GOPSMIOM2的处理效应估计的绝对偏倚和相对偏倚均较大,但其处理效应估计的方差与其他匹配方法差不多。由于偏倚较大的原因,该匹配方法的均方误差较大、处理效应估计的95%置信区间覆盖率较低、协变量的组间均衡性较差。在各种卡钳区间重合度的GOPSIM2中,随之卡钳值的增加,处理效应估计的绝对偏倚也随之增加。匹配率和协变量平均标准化差异均随着卡钳区间重合度的增加而增加。当卡钳区间重合度为0.45时,匹配率较低,此时的平均标准化差异最小当卡钳区间重合度为0.90时,匹配率较高,此时的协变量平均标准化差异为5.02%,也远远小于10%的阈值。总的来看,所有匹配方法均能得到一个偏倚较小的处理效应估计。绝对偏倚最大的匹配方法是GOPSMIOM2,最小的是GOPSIM2-60。相对偏倚与绝对偏倚相类似。各个匹配方法的处理效应估计的方差均较小且很接近。基线协变量的平均标准化差异和匹配率呈正比关系。在没有进行卡钳区间筛选之前,协变量的平均标准化差异较大。通过卡钳区间的筛选,协变量的平均标准化差异显着下降。随着卡钳区间重合度的增加,平均标准化差异逐渐下降。匹配率也随之减小。总体来看,GOPSIM2-90的标准化差异较小,匹配率较高。(2)处理因素为无序叁分类变量在GOPSCM3和GOPSNNM3中,不同匹配方法得到的处理效应估计的绝对偏倚和相对偏倚相对接近。绝对偏倚最大的匹配方法为卡钳值0.01的GOPSCM3。绝对偏倚最小的匹配方法是卡钳值0.02的GOPSCM3。处理效应估计的方差与偏倚的大致呈反比,偏倚越小方差越大。不同匹配方法间方差的差异不大。基线协变量的平均标准化差异和匹配率呈正比,匹配率越高,平均标准化差异也越大。GOPSNNM3的匹配率100.00%,随着卡钳值从0.5减小到0.01,匹配率从99.04%下降到56.47%,平均标准化差异从18.62%下降为6.44%。除了卡钳值为0.01的GOPSCM3,其余所有匹配方法协变量平均标准化差异小于10%,可认为协变量均衡可比。在GOPSMOIM3和GOPSIM3中,绝对偏倚最大的匹配方法是GOPSMIOM3(0.096),最小的是GOPSIM3-75(0.069)。相对偏倚与绝对偏倚相类似,也是GOPSMIOM最大(5.903%),GOPSIM3-75最小(4.384%)。各个匹配方法的处理效应估计的方差均较小,基本在0.075附近。由于GOPSMIOM3的处理效应的偏倚和方差均较大,因此其处理效应估计的均方误差也最大(5.094)。7种卡钳区间的GOPSIM3的均方误差较接近。基线协变量的平均标准化差异和匹配率呈正比关系。在没有进行卡钳区间筛选之前,协变量的平均标准化差异较大(16.14%),大于了10%的推荐阈值。通过卡钳区间的筛选,协变量的平均标准化差异显着下降。总体来看,GOPSIM3的标准化差异较小,匹配率较高。2.实例研究结果(1)上海市郊区65岁以上空巢老年居民自评健康状况研究排除了协变量或处理变量存在缺失的居民,最终477名独居老人和902名非独居老人纳入倾向性评分估计的模型。PSNNM2、PSMIOM2、GOPSNNM2和GOPSMIOM2的匹配率均为100%,GOPSCM2的匹配率最低,为38.99%,PSIM2匹配率最高45.49%。协变量平均标准化差异(Standardized Difference,SD)在匹配前为23.01%,四种没有设置卡钳值和卡钳区间,因此,这四种方法的协变量平均SD比较大,均大于10%。PSCM2的平均SD最小为5.28%。使用Wilcoxon秩和检验比较独居老人和非独居老人的自评健康状况,在匹配前,独居老人和非独居老人的自评健康差异有统计学意义,P<0.0001。但在进行PSM后,8种匹配方法的结果均为独居老人和非独居老人的自评健康状况差异无统计学意义(P值均大于0.05)。区间匹配能比点估计的匹配增加一定的匹配率,例如把PSCM2的匹配率从41.51%提升到PSIM2的45.49%,把GOPSNNM2的38.99%提升到GOPSIM2的44.86%。但是,协变量的标准化差异变化不大,增加了不到2%。说明不论是否联合和全局最优匹配的算法,区间匹配能在几乎不影响协变量组间均衡性的情况下,一定程度的提升匹配率,尤其是在样本量比较小,或者两个处理组间协变量分布差异较大时,优势更加明显。(2)上海市某区老年女性居民医保类型对卫生服务利用的影响本实例研究对象纳入标准为上海市某区65岁以上老年女性居民,若其基本医疗保险参保情况缺失则排除本实例研究。通过整理数据,本实例共纳入了532名参保城镇职工基本医疗保险居民、343民城镇居民基本医疗保险参保居民以及235名新农村合作医疗系统参保居民,共1110人。PSNNM3、PSMIOM3、GOPSNNM3和GOPSMIOM3的匹配率为100%。但这四种匹配方法的协变量均衡性较差,均大于了10%,但显着地低于匹配前的27.88%。PSIM3的匹配率在其余的四种匹配方法中最高,达到了58.88%。GOPSCM3的匹配率最低,仅为42.26%。通过卡钳值或卡钳区间的控制,这四种匹配方法的协变量均衡性有了很大的提升,协变量平均SD均小于了10%。其中GOPSCM3的协变量均衡性最好,平均SD仅为6.42%。在匹配前,由于存在大量混杂偏倚,未能检验出叁组间的两周就诊率的差异。但在经过PSM后,PSNNM3、PSIM3、GOPSNNM3和GOPSMIOM3卡方检验的P值均小于0.05,认为参保叁种医保类型的居民两周就诊率差异有统计学意义。与模拟研究相类似,PSNNM3、PSMIOM3、GOPSNNM3和GOPSMIOM3四种匹配方法没有设置卡钳值或卡钳区间,匹配率为100%,但这四种方法的协变量均衡性就稍差一些。其余四种方法设置了卡钳值或卡钳区间,因此协变量均衡性有所提升。使用PSNNM3匹配有统计学意义,而设置了卡钳值后PSCM3就没有统计学意义了。这可能是由于设置了卡钳值后导致了样本量的损失,使得检验效率降低。但是,使用了区间匹配后,PSIM3的匹配率比PSCM3高出了一些,提升了部分的检验效率,因此又检验出了统计学差异。研究结论:卡钳区间为0.60的PSIM2在探索的16种卡钳区间的PSIM2中有着最优的表现。因此,通过本研究的模拟实验,推荐在进行PSM时,尤其是样本量比较小的时候,使用卡钳区间为0.60的PSIM2能得到较好的匹配。随着卡钳值的减小或卡钳区间重合度的增加,PSCM3或PSIM3的组间协变量均衡性会变的更均衡,但是匹配率会随之下降。通过权衡两者,并且结合处理效应估计的指标,本研究推荐使用卡钳区间为2.6的PSIM3进行处理效应为无序叁分类的PSM。通过实例研究,进一步验证了匹配算法有着较好的表现性能。经过8种两分类倾向性评分匹配分析,上海郊区65岁以上独居与非独居老年女性居民的自评见状况差异均无统计学意义,敏感性分析的结果也显示差异无统计学意义。使用8种无序叁分类倾向性评分匹配分析上海市某区65岁以上老年女性居民医保类型对两周就诊率是否存在差异。经过PSNNM3、PSIM3、GOPSNNM3和GOPSMIOM3后,假设检验P值小于0.05,说明参保叁种基本医疗保险的居民的两周就诊率差异有统计学意义。敏感性分析结果也得到类似的结果。(本文来源于《中国人民解放军海军军医大学》期刊2019-05-20）
陈颖婷[7]（2019）在《将公布16个区215个街镇垃圾分类考核评分及排名》一文中研究指出本报讯 上海市人大常委会生活垃圾全程分类管理专项监督启动会昨天举行。4月至9月集中调研阶段，市人大常委会将委托第叁方调查机构，对社会宣传动员和垃圾分类等工作实效进行测评分析。今年6月底、12月底，将在本市主要媒体公示16个区、215个街镇（管委会）推进垃(本文来源于《上海法治报》期刊2019-04-19）
杨美[8]（2019）在《加强引导期货公司服务实体经济能力》一文中研究指出2月22日，证监会发布修订后的《期货公司分类监管规定》（下称《规定》），自公布之日起施行。近年来，期货市场改革开放取得积极进展，期货公司业务模式和监管工作也出现了许多新情况、新特点。为适应期货市场发展变化，进一步落实依法全面从严监管要求，引导期(本文来源于《期货日报》期刊2019-02-25）
王欣如[9]（2019）在《基于MRI图像的放射组学机器学习分类前列腺癌Gleason评分的初步研究》一文中研究指出目的:使用mpMRI图像的纹理特征训练放射组学的机器学习模型,通过模型的性能评价探讨其诊断及鉴别前列腺癌Gleason评分方面的价值。材料与方法:本课题为回顾性研究。收集我院2015年1月1日至2018年9月1日进行mpMRI检查并且经病理证实并得到确切Gleason评分的前列腺癌患者,最终的研究人群为219例。将患者的T2WI、DWI图像数据从PACS系统中导出,使用GE Functool软件将DWI图处理得到ADC图。确认并审查了每个患者的病理Gleason评分(GS),通过MRI与组织病理学结果进行匹配,在T2WI图像与ADC图上确定PCa大致部位。在ITK-SNAP软件上,沿病变边界手动逐层勾画感兴趣区(ROI)最终融合得到叁维数据,即感兴趣体积(VOI)。使用基于MITK平台开发的AK软件中的One Key模块,提取出396个纹理参数特征。将数据分成GS(3+3)(n=36)与GS(>7)(n=103)、GS(3+4)(n=43)与GS(4+3)(n=49)两组,每组按照7:3的比例随机分别分成训练组与验证组。随后通过特征选择步骤去除冗余的特征,最终在GS(3+3)与GS(>7)这组中,基于ADC及T2WI图像分别提取到7、3个特征,而在GS(3+4)与GS(4+3)组中,基于ADC及T2WI图像均提取得到3个特征。通过选择出的特征建立六种机器学习模型,分别是SVM:C_SVC&LINEAR、SVM:C_SVC&RBF SVM:C_SVC&sigmoid、Logistic回归(Logistic Regression)、K邻近(K Nearest Neighbor,KNN)、贝叶斯(Bayesian,Bayes)。同时对这些模型分类器进行训练,得到分类器的准确性、特异性、敏感性,使用SPSS25.0利用特征选择后的纹理参数值做出ROC曲线,得到ROC曲线下面积(AUC)及95%置信区间。结果:使用AK软件中的One Key模块从六种分类器模型自动选出最优的模型,其分类性能使用AUC进行评价。AUC值表现为从最低的0.590至最高的0.915。使用ADC图纹理特征训练的Logistic Regression分类器模型AUC值为0.915,在鉴别GS(3+3)与GS(>7)组中表现出极好的分类性能;而在GS(3+4)与GS(4+3)组中,基于ADC图的C_SVC&RBF分类器模型的AUC值为0.661,对比基于T2WI图像模型0.590的AUC值,其分类性能较好。在使用ADC图、T2WI图像纹理特征参数训练的同一种分类器模型中,基于ADC图模型的AUC值均高于使用T2WI图像纹理训练的模型,尤其是在GS(3+3)与GS(>7)分组中,基于ADC图的Logistic Regression机器学习模型AUC值更是高达0.915,呈现出极好的分类性能。结论:使用多参数磁共振成像(mpMRI)的放射组学特征建立机器学习模型,在前列腺癌Gleason评分中具有良好的分类性能。这对前列腺癌患者采取不同治疗方法及预后预测有着重大的潜力和临床价值。(本文来源于《中国医科大学》期刊2019-02-01）
张倩,吴国栋,陶鸿,孙成,史明哲[10]（2018）在《基于改进CNN-SRBM文本分类的评分预测推荐研究》一文中研究指出针对海量评论文本的情感数据复杂性、个性化推荐领域的数据稀疏性以及冷启动问题进行研究,提出了基于改进CNN-SRBM (Convolutional Neural Network-Similarity Restricted Boltzmann Machine)文本分类的评分预测推荐研究。叙述了传统CNN文本分类以及传统RBM评分预测模型;引入改进的CNN-3C、CNN-4C文本分类模型以及改进的SRBM评分预测模型;最后,融和改进的CNN-3C模型和SRBM模型,使推荐准确率达到了95. 77%。(本文来源于《洛阳理工学院学报(自然科学版)》期刊2018年04期）
分类评分论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的探讨胸腰椎损伤分类及损伤程度评分(TLICS)在胸腰椎椎体骨折微创手术预后评价中的应用价值。方法选取胸腰椎椎体骨折患者86例为研究对象,患者TLICS评分均≥4分,均行微创经皮椎弓根螺钉固定手术治疗。评价治疗效果并统计并发症发生率。分别在术前和术后12个月行Oswestry功能障碍指数(ODI)评分评价。比较不同术前TLICS评分患者的治疗有效率以及围术期ODI评分,并分析其术前TLICS评分与治疗有效率、ODI评分的关系。分析术前TLICS评分预测治疗效果的价值。结果 86例患者的TLICS评分4～10分,平均(8.36±4.21)分,治疗有效率为90.70%(78/86),无明显并发症的发生。与术前比较,患者术后12个月ODI评分降低(P<0.05)。与TLICS评分≤8分患者比较,TLICS评分>8分患者治疗有效率降低,术前和术后12个月ODI评分升高(P<0.05)。Pearson线性相关分析结果显示,患者TLICS评分与其术前和术后12个月ODI评分均密切相关(r=0.866、0.923,P<0.05)。Spearman相关分析结果显示,患者TLICS评分与其治疗有效率亦密切相关(r=-0.788,P<0.05)。诊断性实验四格表分析结果显示,术前TLICS评分预测其治疗有效率的价值良好。结论 TLICS与胸腰椎椎体骨折微创手术疗效和预后均密切相关,可能用于其疗效和预后评估。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
分类评分论文参考文献
[1].黄恋舒,夏启政.基于机器学习的多分类Logistic回归——明星影响力对电影票房评分的影响分析[J].现代信息科技.2019
[2].付忠泉,禤天航,霍智铭,曹正霖,关宏刚.胸腰椎损伤分类及损伤程度评分在胸腰椎椎体骨折微创手术预后评价中的应用[J].广东医学.2019
[3].蒋君芳.成都高新区公布生活垃圾分类考核评分细则[N].四川日报.2019
[4].马策,刘昕,穆维娜.超声造影评分在ACR甲状腺影像报告和数据系统分类中的应用[J].中国医学影像学杂志.2019
[5].粟世桃.乳腺结节超声BI-RADS分类3~5类的量化评分研究[D].广西医科大学.2019
[6].郭轶斌.分类资料全局最优倾向性评分区间匹配的研究与应用[D].中国人民解放军海军军医大学.2019
[7].陈颖婷.将公布16个区215个街镇垃圾分类考核评分及排名[N].上海法治报.2019
[8].杨美.加强引导期货公司服务实体经济能力[N].期货日报.2019
[9].王欣如.基于MRI图像的放射组学机器学习分类前列腺癌Gleason评分的初步研究[D].中国医科大学.2019
[10].张倩,吴国栋,陶鸿,孙成,史明哲.基于改进CNN-SRBM文本分类的评分预测推荐研究[J].洛阳理工学院学报(自然科学版).2018
论文知识图
