导读:本文包含了人工神经网络诊断模型论文开题报告文献综述及选题提纲参考文献，主要关键词:肺癌,血浆miRNA,人工神经网络
人工神经网络诊断模型论文文献综述
丁明翠,张辉,刘赋,王威[1]（2018）在《基于血浆microRNAs的人工神经网络模型在肺癌诊断中的应用》一文中研究指出目的该研究应用人工神经网络(Artificial Neual Networks,ANN)数据挖掘方法联合血浆miRNA生物标志、流行病学资料和临床症状资料建立肺癌预测模型。方法收集2016年6月至2017年2月经病理学确诊的148例初诊的原发性肺癌患者;对照组为2016年7月取自淇县疾病预防控制中心体检的148例健康人群。采用实时荧光定量PCR法检测11种血浆miRNAs(miR-16、miR-21、miR-20a、miR-210、miR-145、miR-126、miR-223、miR-197、miR-30a、miR-30d、miR-25)的表达水平。基于单因素分析结果和Logistic回归分析优化结果,先将数据预处理,按3:1的比例将所有样本随机分成训练集和预测集,用训练好的模型对预测集进行预测,应用Fisher判别分析和ANN算法分别建立模型,并采用诊断试验评价指标比较模型的预测结果。结果研究发现肺癌组和对照组间的吸烟程度、发热、胸闷胸痛、咳嗽、痰中带血、咯血分布的差异和10种血浆miRNAs(miR-21、miR-20a、miR-210、miR-145、miR-126、miR-223、miR-197、miR-30a、miR-30d、miR-25)的表达水平的差异有统计学意义(P<0.05)。由吸烟程度、发热、胸闷胸痛、咳嗽、痰中带血、咯血、10种血浆rniRNAs(miR-21、miR-20a、miR-210、miR-145、miR-126、miR-223、miR-197、miR-30a、miR-30d、miR-25)的表达水平这16个变量建立的ANN联合模型、miRNAs ANN模型、ANN临床症状模型、Fisher联合模型、miRNAs Fisher模型、Fisher临床症状模型的准确度分别为87.80%、92.68%、86.59%、84.15%、75.61%和80.49%,AUC分别为0.905、0.889、0.838、0.865、0.750和0.801;ANN联合模型的AUC优于其他5种模型(P<0.05)。结论血浆miRNAs可作为肺癌辅助诊断的潜在生物标志物,ANN模型对肺癌辅助诊断具有重要的价值。(本文来源于《2018环境与健康学术会议--精准环境健康：跨学科合作的挑战论文汇编》期刊2018-08-13）
李鹏程[2]（2018）在《隐球菌性脑膜炎治疗延误分析及基于人工神经网络的诊断模型》一文中研究指出第一部分隐球菌性脑膜炎治疗延误及急性期预后因素分析研究背景和目的:隐球菌性脑膜炎(cryptococcal.meningitis,CM)是由隐球菌引起的中枢神经系统真菌感染,有着较高的病死率和致残率,早期诊断和及时有效治疗是改善预后的关键。尽管近年来对CM的诊断和治疗有很多进展,但在临床工作中我们还是观察到许多病人的治疗被延误。之前的研究发现治疗延误会导致出现远期神经功能障碍的风险增加。但是据我们所知,造成治疗延误的危险因素还没有被确定,治疗延误是否和急性期病死率有关也不清楚。这部分研究旨在确定导致CM治疗延误的危险因素及探索影响CM急性期预后因素。方法:回顾性分析浙江大学医学院附属第一医院(浙医一院)2011-2017年间175例CM患者的临床和实验室数据。启动治疗的时间定义为症状出现(病人自述)至开始抗真菌治疗之间的时间,分为早期治疗(≤20天)和延误治疗(>20天)。急性期病死定义为院内发生的死亡。单因素和多因素logistic回归分析被用来评估治疗延误和急性期病死率的决定因素。结果:所有CM患者启动治疗的中位时间为20天(IQR,11至30天)。多因素分析发现首次腰穿时间>14 天(OR=12.84;P=0.001;95%CI,5.63 至 31.54)、需要超过 1次的腰穿来获得涂片阳性和培养阳性(OR = 2.67;P=0.001;95%CI,1.51至5.23)以及被误诊为结核性脑膜炎(tuberculous meningitis,TBM)(OR = 4.38;P=0.050;95%CI,1.06至22.7)是治疗延误的显着性危险因素。18例患者发生了院内死亡。多因素分析显示年龄>70岁(OR = 7.31;P=0.022;95%CI,1.38至46.5)、入院时格拉斯哥昏迷评分(glasgow coma scale,GCS)<15 分(OR = 7.68;P=0.014;95%CI,1.55 至 43.0)、头颅影像学提示脑积水(OR =19.6;P=0.005;95%CI,2.42 至 177.0)和血浆白蛋白<35g/L(OR = 5.2;P=0.035;95%CI,1.16至28.1)是急性期存活的独立预后因素。CM患者发生急性期死亡和治疗延误无显着性关系(P>0.05)。结论:超过一半的CM患者需要超过20天的时间才能得到正确的治疗。我们发现首次腰穿被延误、需要多次腰穿来确诊和误诊为结核性脑膜炎会导致CM治疗的延误。住院期间死亡与患者入院时的基础状态密切相关,高龄、存在意识障碍、发生脑积水和血浆白蛋白低的患者院内死亡风险显着增加。第二部分 CM和TBM的鉴别和基于神经网络的诊断模型研究背景和目的:涂片和培养阴性时CM很难和结核性脑膜炎(Tuberculous meningitis,TBM)鉴别诊断。人工神经网络(artificial neural network,ANN)目前被应用于临床医学的不同领域。ANN是强大的建模工具,它被用于发掘和提取变量之间复杂的非线性关系。这部分研究尝试建立一个多层感知器(MultilayerPerceptron,MLP)模型来辅助CM和TBM的鉴别诊断。方法:除了第一部分175例CM患者,另外163例TBM患者的临床和实验室资料被收集。比较CM患者和TBM患者间的临床特征。在logistc回归模型和前馈的MLP模型用来拟合数据前,多因素logistic回归分析用来确定模型的输入变量。数据集分为2个部分:一部分包含70%的患者数据资料用于训练模型,另一部分包含30%的数据资料用于测试模型。每个模型构建好之后需要重复运行10次来统计模型的性能。两个模型的准确率用正确诊断CM的敏感性、特异性和曲线下面积(Area Under Curve,AUC)来比较。结果:通过逐步logistic回归的方法确认了 10个因素对诊断CM和TBM具有预测作用:年龄、发热、脑脊液葡萄糖、脑脊液氯、脑脊液蛋白水平、入院后的第一次颅内压、血沉、易感因素、T-SPOT阳性和外周结核感染。一个具有1层隐藏层的MLP模型被构建,隐藏层神经元个数为45。MLP模型的敏感性、特异性和AUC 分别为 82.7±5.2%(95%CI,79.0 至 86.6),80.8±3.3%(95%CI,78.5 至 83.2)和0.89±0.02(95%CI,0.87至0.90)。MLP模型和logistic回归模型的敏感性、特异性和分类准确率上无显着性差异。结论:基于我们的数据集构建的MLP模型对CM诊断有较高的敏感性和特异性,可以应用于CM的诊断和鉴别诊断。MLP模型和logistic回归模型之间的敏感度、特异度和分类准确率均不存在显着性差异。MLP模型应用于CM的诊断需要进一步的验证,尤其是通过前瞻性的研究和外部数据。(本文来源于《浙江大学》期刊2018-03-01）
邱志磊,徐立柱,贾魁,梁鑫,胡伟[3]（2015）在《前列腺癌人工神经网络诊断模型的应用研究》一文中研究指出目的:结合患者临床信息和前列腺肿瘤标记物进行数据挖掘,建立基于人工神经网络的前列腺癌诊断模型,评估其准确性,并为前列腺癌的临床诊断提供客观的参考信息。方法:回顾分析2010年1月~2014年6月在我院就诊的前列腺病患310例,其中前列腺癌组100例,非前列腺癌组210例。患者均接受经直肠前列腺穿刺活检。用210例样本(前列腺癌组70例,非前列腺癌组140例)建立人工神经网络(ANN)模型,并用100例样本(前列腺癌组30例,非前列腺癌组70例)盲法测试和评估此模型。结果:纳入分析的指标有年龄、前列腺特异性抗原(TPSA、FPSA/TPSA、PSAD)、直肠指检、前列腺体积、经直肠超声和前列腺核磁共振结果等,经过反复训练建立的ANN模型对测试样本预测的特异度为80.0%,灵敏度为93.3%。结论:ANN在计算机辅助前列腺癌的诊断,评估患者患有前列腺癌的风险,以及对穿刺检测的指导等方面具有广阔的应用前景。(本文来源于《临床泌尿外科杂志》期刊2015年10期）
李尊税,魏小玲,何其栋,张红巧,吴拥军[4]（2014）在《基于肿瘤标志群的人工神经网络模型对肺癌辅助诊断的价值》一文中研究指出目的:应用人工神经网络(ANN)技术联合肿瘤标志蛋白芯片建立人工智能辅助诊断模型,探讨其对肺癌诊断的价值。方法:采用蛋白芯片(化学发光法)测定201例肺良性疾病患者、202例肺癌患者血清中9项血清肿瘤标志(CA199、Ferritin、AFP、CA153、CEA、NSE、CA242、CA125、HGH)的水平,logistic回归筛选,建立ANN和Fisher判别分析肺癌诊断模型。结果:4项肿瘤标志(CEA、NSE、Ferritin、CA153)建立的ANN模型的ROC曲线下面积(0.850)高于4项Fisher、6项(CEA、NSE、Ferritin、CA153、AFP、CA125)Fisher和6项ANN的ROC曲线下面积(0.793、0.767和0.825)。结论:基于4种肿瘤标志的ANN模型判别诊断肺癌的效果优于Fisher判别分析,优于6种肿瘤标志建立的ANN模型;ANN模型诊断效果优于Fisher判别分析。(本文来源于《郑州大学学报(医学版)》期刊2014年05期）
杨涛,吴承玉[5]（2013）在《基于人工神经网络的心系基础证诊断模型构建》一文中研究指出目的:探讨心系病位、病性特征与基础证的相关性。方法:利用MATLAB神经网络工具箱,建立心系基础证BP神经网络诊断模型,选择400例心系病案资料作为训练样本,100例作为测试样本。结果:模型对心系基础证诊断正确率均在84.00%以上,平均诊断正确率达90.63%,误判率4.50%,漏判率4.88%,对最终"证"的诊断正确率为73.00%。结论:利用BP神经网络算法能较好地模拟心系病位、病性特征与基础证的非线性映射,该思路可进一步应用于五脏系统辨证体系中,为病证规范化及诊断信息化提供方法学参考。(本文来源于《中国中医基础医学杂志》期刊2013年09期）
黄波[6]（2013）在《2型糖尿病肾病血清蛋白质谱图人工神经网络诊断模型研究》一文中研究指出目的通过比较2型糖尿病肾病和对照人群血清蛋白指纹图谱的差异,建立2型糖尿病肾病诊断模型,并探讨其在该病诊断中的应用价值。方法采用表面增强激光解析电离飞行时间质谱(SELDI-TOF-MS)技术检测51例2型糖尿病肾病患者和66例对照人群血清,获得蛋白指纹图谱。结合人工神经网络软件建立诊断模型并进行验证。结果在相对分子质量2 000～30 000共检测到175个蛋白峰,其中有17个明显表达差异的蛋白峰(P<0.01)。筛选其中质荷比(m/z)分别为5 420、5 782、6 472、6 666、10 277和11 770的6个蛋白峰作为标志蛋白建立人工神经网络诊断模型。利用该模型对2型糖尿病肾病进行盲法预测,结果表明其对该病的诊断灵敏性和特异性分别为81.0%和96.2%。结论利用SELDI-TOF-MS和生物信息学技术建立了敏感性和特异性均较高的2型糖尿病肾病诊断模型,为该病诊断提供了新途径。(本文来源于《检验医学与临床》期刊2013年13期）
王刚,林森森,姜新国,庄银苹,王阿明[7]（2013）在《用于小细胞肺癌诊断的人工神经网络模型》一文中研究指出目的探讨人工神经网络模型在小细胞肺癌诊断中的应用。方法对所收集的107例小细胞肺癌和110例非小细胞肺癌的临床资料及CT影像特征进行量化处理,建立小细胞与非小细胞肺癌鉴别诊断的人工神经网络模型。结果所建立的人工神经网络模型对于训练集样本,其准确率为100%;对测试集样本,其准确率为86.36%。结论人工神经网络可以为小细胞肺癌的早期辅助诊断提供新途径。(本文来源于《中国卫生统计》期刊2013年02期）
马伟钦,张伟斌,吴礼浩,袁瑜,陈羽[8]（2013）在《利用蛋白质组学与人工神经网络构建大肠癌肝转移诊断模型》一文中研究指出目的应用双向电泳联合质谱技术筛选大肠癌肝转移血清特异性标志物,并利用这些标志物以数据挖掘技术构建人工神经网络大肠癌肝转移诊断模型。方法收集大肠癌无肝转移、伴肝转移患者各12例血清样本,同组血清等量混合进行双向电泳,用ImageMaster V5.0软件分析两组蛋白质的差异,差异蛋白质进行MALDI-TOF-MS鉴定。ELISA法测定差异蛋白及CEA含量。用受试者工作曲线评价其对大肠癌肝转移的诊断价值,以人工神经网络方法,筛选出准确度最高者作为大肠癌肝转移诊断模型。结果双向电泳显示,大肠癌伴肝转移组与无肝转移组相比较有4个蛋白有统计学意义,其中2个上调的蛋白质分别是Transferrin和Complement component C9;2个下调的蛋白质分别是Haptoglobin和Isoform 1 of Serum albumin。受试者工作曲线分析与大肠癌肝转移相关性依次为Transferrin>Haptoglobin>CEA。人工神经网络的诊断方法以Transferrin和Haptoglobin这两个蛋白联合建立的模型预测准确度最高,为88.57%,其敏感度为63.64%,特异度为100%。结论利用蛋白质组学与人工神经网络构建了Transferrin与Haptoglobin联合的大肠癌肝转移诊断模型,横断面验证有较高的准确度,开辟了诊断大肠癌肝转移的新方法。(本文来源于《湖北民族学院学报(医学版)》期刊2013年01期）
宋敏,王开正,杭永伦,李光荣,田刚[9]（2012）在《基于人工神经网络的前列腺癌诊断模型对前列腺癌的诊断价值研究》一文中研究指出目的结合前列腺肿瘤标志物检验组套和患者临床信息进行数据挖掘,建立基于人工神经网络(ANN)的前列腺癌诊断模型,为前列腺癌的临床诊断和治疗提供客观的参考信息。方法通过实验信息系统与医院信息管理系统的数据信息平台检索并统计2010年1月—2011年7月我院前列腺肿瘤标志物检验组套病例365例,其中前列腺癌组60例,非前列腺癌组305例。采用受试者工作特征(ROC)曲线下面积法筛选出有价值的指标,用244例样本(前列腺癌组40例,非前列腺癌组204例)建立ANN模型,并用121例样本(前列腺癌组20例,非前列腺癌组101例)盲法测试和评估此模型。结果纳入分析的指标有年龄、甲胎蛋白(AFP)、癌胚抗原(CEA)、总前列腺特异抗原(tPSA)和结合前列腺特异抗原(cPSA),各指标的曲线下面积分别为0.623、0.517、0.499、0.907和0.913,其中年龄、tPSA和cPSA与前列腺癌的发病有相关性(P<0.05);经方差分析前列腺癌组的年龄、tPSA和cPSA与非前列腺癌组比较,差异均有统计学意义(P<0.05)。建立的模型对训练样本预测的特异度为93.63%,敏感度为82.50%;此模型对121例测试样本预测的特异度为93.07%,敏感度为80.00%。结论数据挖掘技术能够提炼出高效的诊治信息,基于ANN的前列腺癌诊断模型对前列腺癌的早期诊断具有一定价值。(本文来源于《中国全科医学》期刊2012年35期）
李波,孙志强,李筱涵,李小溪,陈小倩[10]（2012）在《人工神经网络诊断模型在肝纤维化无创诊断中的应用》一文中研究指出目的建立肝纤维化神经网络诊断模型,探索肝纤维化的早期无损伤诊断新方法并对该模型进行临床应用评价。方法选取2008年5月-2011年3月收治的、符合纳入标准的683例经肝组织活检或临床证实为肝纤维化、肝硬化患者的样本进行模型建立及验证,其中慢性乙型肝炎(CHB)导致的肝纤维化504例,其他类型肝病导致的肝纤维化179例,按照纤维化病理分期结果,利用分层随机抽样方法抽取其中134例作为训练组样本,其余样本用于模型的验证,以年龄、天冬氨酸转氨酶(AST)、凝血酶原时间(PT)、血小板计数(PLT)、γ-谷氨酰基转移酶(GGT)、直接胆红素(DBil)作为神经网络模型的输入层指标构建神经网络诊断模型,并对构建好的模型进行评价。结果成功建立了肝纤维化神经网络诊断模型,该模型对各类肝病纤维化诊断的正确率为77.4%,敏感度为76.8%,特异度为77.8%。Kappa一致性检验显示,该模型与肝组织活检的一致性较好(Kappa指数=0.534),其中对CHB导致的肝纤维化诊断的正确率为80.4%,敏感度为79.9%,特异度为80.7%,Kappa指数=0.598,对其他类型肝病导致的肝纤维化诊断的正确率为67.9%,敏感度为64.3%,特异度为69.7%,Kappa指数=0.316。结论作为一种新的实验室无创诊断方法,本研究建立的神经网络肝纤维化诊断模型对CHB导致的肝纤维化的诊断敏感度及特异度较高,具有良好的临床应用价值,但对其他类型肝病导致的纤维化诊断价值有限。(本文来源于《解放军医学杂志》期刊2012年12期）
人工神经网络诊断模型论文开题报告
（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：
第一部分隐球菌性脑膜炎治疗延误及急性期预后因素分析研究背景和目的:隐球菌性脑膜炎(cryptococcal.meningitis,CM)是由隐球菌引起的中枢神经系统真菌感染,有着较高的病死率和致残率,早期诊断和及时有效治疗是改善预后的关键。尽管近年来对CM的诊断和治疗有很多进展,但在临床工作中我们还是观察到许多病人的治疗被延误。之前的研究发现治疗延误会导致出现远期神经功能障碍的风险增加。但是据我们所知,造成治疗延误的危险因素还没有被确定,治疗延误是否和急性期病死率有关也不清楚。这部分研究旨在确定导致CM治疗延误的危险因素及探索影响CM急性期预后因素。方法:回顾性分析浙江大学医学院附属第一医院(浙医一院)2011-2017年间175例CM患者的临床和实验室数据。启动治疗的时间定义为症状出现(病人自述)至开始抗真菌治疗之间的时间,分为早期治疗(≤20天)和延误治疗(>20天)。急性期病死定义为院内发生的死亡。单因素和多因素logistic回归分析被用来评估治疗延误和急性期病死率的决定因素。结果:所有CM患者启动治疗的中位时间为20天(IQR,11至30天)。多因素分析发现首次腰穿时间>14 天(OR=12.84;P=0.001;95%CI,5.63 至 31.54)、需要超过 1次的腰穿来获得涂片阳性和培养阳性(OR = 2.67;P=0.001;95%CI,1.51至5.23)以及被误诊为结核性脑膜炎(tuberculous meningitis,TBM)(OR = 4.38;P=0.050;95%CI,1.06至22.7)是治疗延误的显着性危险因素。18例患者发生了院内死亡。多因素分析显示年龄>70岁(OR = 7.31;P=0.022;95%CI,1.38至46.5)、入院时格拉斯哥昏迷评分(glasgow coma scale,GCS)<15 分(OR = 7.68;P=0.014;95%CI,1.55 至 43.0)、头颅影像学提示脑积水(OR =19.6;P=0.005;95%CI,2.42 至 177.0)和血浆白蛋白<35g/L(OR = 5.2;P=0.035;95%CI,1.16至28.1)是急性期存活的独立预后因素。CM患者发生急性期死亡和治疗延误无显着性关系(P>0.05)。结论:超过一半的CM患者需要超过20天的时间才能得到正确的治疗。我们发现首次腰穿被延误、需要多次腰穿来确诊和误诊为结核性脑膜炎会导致CM治疗的延误。住院期间死亡与患者入院时的基础状态密切相关,高龄、存在意识障碍、发生脑积水和血浆白蛋白低的患者院内死亡风险显着增加。第二部分 CM和TBM的鉴别和基于神经网络的诊断模型研究背景和目的:涂片和培养阴性时CM很难和结核性脑膜炎(Tuberculous meningitis,TBM)鉴别诊断。人工神经网络(artificial neural network,ANN)目前被应用于临床医学的不同领域。ANN是强大的建模工具,它被用于发掘和提取变量之间复杂的非线性关系。这部分研究尝试建立一个多层感知器(MultilayerPerceptron,MLP)模型来辅助CM和TBM的鉴别诊断。方法:除了第一部分175例CM患者,另外163例TBM患者的临床和实验室资料被收集。比较CM患者和TBM患者间的临床特征。在logistc回归模型和前馈的MLP模型用来拟合数据前,多因素logistic回归分析用来确定模型的输入变量。数据集分为2个部分:一部分包含70%的患者数据资料用于训练模型,另一部分包含30%的数据资料用于测试模型。每个模型构建好之后需要重复运行10次来统计模型的性能。两个模型的准确率用正确诊断CM的敏感性、特异性和曲线下面积(Area Under Curve,AUC)来比较。结果:通过逐步logistic回归的方法确认了 10个因素对诊断CM和TBM具有预测作用:年龄、发热、脑脊液葡萄糖、脑脊液氯、脑脊液蛋白水平、入院后的第一次颅内压、血沉、易感因素、T-SPOT阳性和外周结核感染。一个具有1层隐藏层的MLP模型被构建,隐藏层神经元个数为45。MLP模型的敏感性、特异性和AUC 分别为 82.7±5.2%(95%CI,79.0 至 86.6),80.8±3.3%(95%CI,78.5 至 83.2)和0.89±0.02(95%CI,0.87至0.90)。MLP模型和logistic回归模型的敏感性、特异性和分类准确率上无显着性差异。结论:基于我们的数据集构建的MLP模型对CM诊断有较高的敏感性和特异性,可以应用于CM的诊断和鉴别诊断。MLP模型和logistic回归模型之间的敏感度、特异度和分类准确率均不存在显着性差异。MLP模型应用于CM的诊断需要进一步的验证,尤其是通过前瞻性的研究和外部数据。
（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。
人工神经网络诊断模型论文参考文献
[1].丁明翠,张辉,刘赋,王威.基于血浆microRNAs的人工神经网络模型在肺癌诊断中的应用[C].2018环境与健康学术会议--精准环境健康：跨学科合作的挑战论文汇编.2018
[2].李鹏程.隐球菌性脑膜炎治疗延误分析及基于人工神经网络的诊断模型[D].浙江大学.2018
[3].邱志磊,徐立柱,贾魁,梁鑫,胡伟.前列腺癌人工神经网络诊断模型的应用研究[J].临床泌尿外科杂志.2015
[4].李尊税,魏小玲,何其栋,张红巧,吴拥军.基于肿瘤标志群的人工神经网络模型对肺癌辅助诊断的价值[J].郑州大学学报(医学版).2014
[5].杨涛,吴承玉.基于人工神经网络的心系基础证诊断模型构建[J].中国中医基础医学杂志.2013
[6].黄波.2型糖尿病肾病血清蛋白质谱图人工神经网络诊断模型研究[J].检验医学与临床.2013
[7].王刚,林森森,姜新国,庄银苹,王阿明.用于小细胞肺癌诊断的人工神经网络模型[J].中国卫生统计.2013
[8].马伟钦,张伟斌,吴礼浩,袁瑜,陈羽.利用蛋白质组学与人工神经网络构建大肠癌肝转移诊断模型[J].湖北民族学院学报(医学版).2013
[9].宋敏,王开正,杭永伦,李光荣,田刚.基于人工神经网络的前列腺癌诊断模型对前列腺癌的诊断价值研究[J].中国全科医学.2012
[10].李波,孙志强,李筱涵,李小溪,陈小倩.人工神经网络诊断模型在肝纤维化无创诊断中的应用[J].解放军医学杂志.2012