期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于局部加权集成的乳腺癌空间转录组数据的空间域识别
1
作者
曹红艳
刘改琴
+5 位作者
田雅昕
王彤
罗艳虹
房瑞玲
余红梅
张岩波
《中国卫生统计》
北大核心
2025年第4期486-490,495,共6页
目的提出局部加权集成空间域识别(locally weighted ensemble based spatial domain identification,LWESDI)方法,探讨LWESDI方法在乳腺癌空间转录组学数据空间域识别中的应用。方法采用局部加权集成方法,集成BayesSpace,BASS,SpaGCN,ST...
目的提出局部加权集成空间域识别(locally weighted ensemble based spatial domain identification,LWESDI)方法,探讨LWESDI方法在乳腺癌空间转录组学数据空间域识别中的应用。方法采用局部加权集成方法,集成BayesSpace,BASS,SpaGCN,STAGATE 4种方法的乳腺癌空间域识别结果,结合位点间的加权相似度构建局部加权共联矩阵,逐步迭代合并相似度最高的区域,最终得到一致性的空间域识别结果,进一步对筛选出的高度可变基因进行差异分析,并对差异基因进行GO富集分析。结果在识别乳腺癌空间域结构上,LWESDI方法的准确性和稳健性均优于四种基聚类方法,准确地识别出乳腺癌患者组织切片的20个空间域;筛选出前3000个高度可变基因(highly variable genes,HVGs),并对乳腺癌最显著的19个差异表达基因进行富集分析得到33条GO富集项。结论所提出的LWESDI方法为空间域识别提供了新的方法策略,筛选出的乳腺癌潜在生物标志物将为乳腺癌的异质性研究及个性化治疗提供潜在治疗靶点。
展开更多
关键词
局部加权集成
空间转录组
空间域识别
乳腺癌
在线阅读
下载PDF
职称材料
基于深度学习的医学图像识别研究综述
被引量：
8
2
作者
张烁
张荣
张岩波
《中国卫生统计》
CSCD
北大核心
2020年第1期150-156,共7页
1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelh...
1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。
展开更多
关键词
神经元模型
反向传播网络
循环神经网络
自动编码器
单层感知器
无监督学习
有监督学习
深度学习
在线阅读
下载PDF
职称材料
题名
基于局部加权集成的乳腺癌空间转录组数据的空间域识别
1
作者
曹红艳
刘改琴
田雅昕
王彤
罗艳虹
房瑞玲
余红梅
张岩波
机构
山西
医科
大学
卫生统计
教研室
山西
医科
大学
医学科学院
出处
《中国卫生统计》
北大核心
2025年第4期486-490,495,共6页
基金
国家自然科学基金资助(82473739
82273742)
+2 种基金
山西省基础研究计划(202303021211130)
山西省回国留学人员科研资助项目(2024-081)
山西省高等教育“百亿工程”科技引导专项。
文摘
目的提出局部加权集成空间域识别(locally weighted ensemble based spatial domain identification,LWESDI)方法,探讨LWESDI方法在乳腺癌空间转录组学数据空间域识别中的应用。方法采用局部加权集成方法,集成BayesSpace,BASS,SpaGCN,STAGATE 4种方法的乳腺癌空间域识别结果,结合位点间的加权相似度构建局部加权共联矩阵,逐步迭代合并相似度最高的区域,最终得到一致性的空间域识别结果,进一步对筛选出的高度可变基因进行差异分析,并对差异基因进行GO富集分析。结果在识别乳腺癌空间域结构上,LWESDI方法的准确性和稳健性均优于四种基聚类方法,准确地识别出乳腺癌患者组织切片的20个空间域;筛选出前3000个高度可变基因(highly variable genes,HVGs),并对乳腺癌最显著的19个差异表达基因进行富集分析得到33条GO富集项。结论所提出的LWESDI方法为空间域识别提供了新的方法策略,筛选出的乳腺癌潜在生物标志物将为乳腺癌的异质性研究及个性化治疗提供潜在治疗靶点。
关键词
局部加权集成
空间转录组
空间域识别
乳腺癌
Keywords
Locally weighted ensemble
Spatial transcriptomics
Spatial domain identification
Breast cancer
分类号
R737.9 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
基于深度学习的医学图像识别研究综述
被引量：
8
2
作者
张烁
张荣
张岩波
机构
山西
青年职业学院计算机与信息工程系
山西
医科
大学
计算机教学部
山西医科大学卫生统计教研室重大疾病风险评估山西省重点实验室
出处
《中国卫生统计》
CSCD
北大核心
2020年第1期150-156,共7页
基金
山西省重点研发计划(201603D321101)
国家自然科学基金(81973154)。
文摘
1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。
关键词
神经元模型
反向传播网络
循环神经网络
自动编码器
单层感知器
无监督学习
有监督学习
深度学习
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
R445 [医药卫生—影像医学与核医学]
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于局部加权集成的乳腺癌空间转录组数据的空间域识别
曹红艳
刘改琴
田雅昕
王彤
罗艳虹
房瑞玲
余红梅
张岩波
《中国卫生统计》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于深度学习的医学图像识别研究综述
张烁
张荣
张岩波
《中国卫生统计》
CSCD
北大核心
2020
8
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
