-
题名无金标准下两种诊断方法准确度的贝叶斯估计
被引量：3
- 1
-
-
作者
王肖南
周晓华
刘强
高颖
-
机构
首都医科大学公共卫生学院流行病与卫生统计学系
临床流行病学北京市重点实验室
北京大学国际数学中心
中国中医药国际合作中心
北京中医药大学东直门医院
-
出处
《中国卫生统计》
CSCD
北大核心
2019年第5期653-657,共5页
-
基金
首都医科大学校自然培育基金(PYZ2018047)
国家自然科学基金(81903408,81773546)
-
文摘
目的无金标准情况下,探讨同时评价两种不同数据类型诊断方法的准确度问题。方法基于实例设置研究情景,用一种相关结构方法度量两种不同方法诊断结果间的相关关系。根据观测数据,建立带相关结构的潜类别模型。用贝叶斯方法估计新建模型中的参数,用数值模拟方法验证模型参数估计的有效性。说明误用条件独立假设时,参数估计的偏倚问题。结果数值模拟结果显示模型中各参数的后验估计都能收敛到参数的真实值。实例分析结果显示,无金标准情况下,"2011标准"对缺血性中风病"内风"证候的诊断准确度为0.8729;"专家诊断"的灵敏度和特异度估计值分别为0.9361和0.8937。结论本文在无金标准下校正了两种不同数据类型诊断结果的准确度大小。关于缺血性中风病"内风"证候的诊断,"2011标准"在临床上有一定的诊断能力,且权威专家在临床上的诊断能力非常好,但是并非100%完全正确。
-
关键词
诊断评价
无金标准
灵敏度
特异度
roc曲线下的面积
-
Keywords
Evaluation of diagnostic
Without a gold standard
Sensitivity
Specificity
AUC
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名结合非局部相似性的foveated选票缺陷检测
- 2
-
-
作者
蒲杰
官磊
-
机构
中国科学院成都计算机应用研究所
中国科学院大学计算机科学与技术学院
-
出处
《计算机应用》
CSCD
北大核心
2020年第S01期220-225,共6页
-
基金
四川省科技计划项目(2018GZ0545)。
-
文摘
针对传统选票缺陷检测过程中图像配准的计算复杂度高、过程繁琐、对图案细节变化的鲁棒性差等问题,提出了一种避免图像配准、基于Patch相似性度量的foveated NL-means缺陷检测算法。该算法是对传统window NLmeans缺陷检测算法的改进,通过构建非局部相似模型,利用Patch权重和相似性关联对缺陷图像进行重构,无法重构的部分即为缺陷区域。通过foveated NL-means算法和window NL-means算法的实验对比表明,前者对缺陷区域的检测效果更加显著;其次这两种缺陷检测算法AUC分别为:0.923 5和0.863 8(小于0.923 5),数值积分表明前者对缺陷区域的预测更加精确,缺陷的分类性能更高;最后通过计算这两种算法的平均时间开销,可知foveated NL-means算法的时间效率相较于window NL-means算法平均提升了11.697 1 s,因此能够高效的完成缺陷检测任务。
-
关键词
选票缺陷检测
非局部相似模型
Patch权重
window
NL-means算法
foveated
NL-means算法
图像重构
受试者工作特征曲线
roc曲线下的面积
-
Keywords
ballot defect detection
Non-Local(NL)similarity model
Patch weight
window NL-means algorithm
foveated NL-means algorithm
image reconstruction
Receiver Operating Characteristic(roc)curve
Area Under the roc curve(AUC)
-
分类号
TN911.73
[电子电信—通信与信息系统]
-
