环氧化酶-2、表皮生长因子受体-2在胃癌中的研究进展

研究发现,环氧化酶-2(COX-2)与表皮生长因子受体-2(HER2/neu)的过表达与胃癌的发生、发展以及治疗密切相关。50%-80%的胃癌患者环氧化酶-2(COX-2)存在过度表达,超过20%的胃癌患者存在HER2过表达。HER2/neu、COX-2在胃癌中高表达或基因扩增现象,可能影响胃癌患者的预后,也可能参与了胃癌肝转移过程。HER2/neu、COX-2有望成为胃癌治疗的一个新靶点,提高胃癌患者的生存率。     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

阴道分娩后尿潴留风险预测模型的构建与验证

目的:构建并验证阴道分娩后尿潴留(PUR)的风险预测模型.方法:选取阴道分娩的1 048名产妇,收集产妇的一般资料及相关危险因素,运用Logistic多因素回归分析建立PUR风险预测模型;对模型进行内部验证,计算平均错判率和一致性;采用R软件基于风险预测模型构建列线图.结果:PUR的总体发生率为8.0%.构建的预测模型纳入了分娩镇痛、第二产程时间60 min、会阴侧切、新生儿体质量3.5 kg 4个因素,C-统计量为0.786 (95%CI:0.760～0.811).模型的平均错判率为8.0%,基于模型的预测概率与实际概率之间存在较好的一致性(Hosmer-Lemeshow检验,P=0.590).结论:研发适用于PUR风险预测的列线图,可作为PUR风险预测及是否实施产后预防措施的评估依据.     

列线图预测中国老年人2型糖尿病患病风险

为了建立国内老年人2型糖尿病（type 2 diabetes mellitus, T2DM）患病风险的预测模型并加以验证。基于中国一个健康筛查项目的数据库，纳入了24,804名基线检查时无T2DM的老年人，随访时间为3年和5年。以7:3的比例分成训练集和验证集，单变量和多变量Cox回归分析用于确定独立危险因素，构建列线图预测中国老年人T2DM的3年和5年的发病率。C指数、校准图、临床决策曲线（Decision Curve Analysis, DCA)用于评估列线图在验证集中的准确性。最终发现年龄、空腹血糖（Fasting Plasma Glucose, FPG）、体重指数 (body mass index, BMI)、收缩压（systolic blood pressure, SBP）、甘油三酯(triglyceride, TG)、谷丙转氨酶（Alanine aminotransferase, ALT）和尿素氮（urea nitrogen, UN）是T2DM的独立危险因素，并将其纳入列线图。在训练集和验证集中，C指数分别为0.8278 （95% CI：0.8125-0.8432）和0.8414（95% CI：0.8195-0.8632）。校准图表明，估计概率与实际观测率之间具有良好的一致性。DCA表明，按照此列线图对高危人群早期干预，可以获得净获益。通过该模型，早期识别高危人群有助于及时干预，降低T2DM的发病率。     

基于随机森林算法的混凝土早期抗裂性预测研究

将随机森林(Random Forest)回归算法应用于混凝土早期抗裂性研究.以松通项目混凝土为例,基于大量文献和工程经验选取了7个主要影响因素的混凝土早期抗裂性指标体系.以原始数据建立训练样本集和测试集,通过计算基于Bootstrap自助重抽样得到的袋外数据(OOB)的模型误判率,确定随机森林预测模型的最优参数,并对影响因素进行重要性排序,利用Pearson相关性图分析各影响因素相关度,然后建立RF训练模型,输出模型训练集和预测集的预测拟合结果.通过RMSE和R~2值分析模型的预测精度,并将预测结果与BP神经网络和小波神经网络模型对比.结果显示,随机森林预测模型误差最小,精度最高,验证了模型的准确性和可靠性.提出的随机森林预测模型为实现混凝土早期抗裂性预测提供了一种有效的方法.     

脊柱手术部位感染的危险因素分析及列线图的建立与验证

目的:探讨脊柱手术部位感染(SSI)的相关危险因素,并建立列线图预测模型,为脊柱术后患者伤口管理提供理论依据。方法:(1)模型建立。回顾性分析2018年1月至2022年8月在遵义医科大学附属医院骨科行脊柱手术后发生手术部位感染的95例患者临床资料,按1∶2比例匹配同期接受脊柱手术后未发生感染的患者186例,共281例患者按2∶1比例分为训练组(n=188)和验证组(n=93)。将是否发生SSI作为结局变量,分别使用单因素、多因素Logistic回归分析脊柱手术患者术后SSI危险因素并建立列线图预测模型。(2)模型评估。采用受试者工作特征曲线(ROC)的曲线下面积(AUC)对模型的区分度进行检验;采用校准曲线评价模型校准度;采用决策曲线(DCA)评价模型的临床价值及其对实际决策的影响。(3)模型验证。利用验证组数据绘制ROC曲线、校准曲线,进行外部验证。结果:(1)训练组和验证组的临床特征差异均无统计学意义(均P>0.05)。训练组中单因素及多因素分析结果显示,术中出血量(OR=1.002,95%CI:1.000～1.003)、拔出引流管时间(OR=1.184,95%CI:1.04...     

基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R²可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。     

CT影像组学模型对食管癌术后个体化辅助治疗的评估价值

目的:构建及验证基于影像组学预测食管鳞状细胞癌切除术后的无病生存期(DFS)模型，并进一步其评估术后辅助治疗的价值。方法:回顾性分析184例接受手术治疗的食管鳞状细胞癌患者。放射科医师手工勾画患者治疗前CT图像上的肿瘤感兴趣区后提取影像组学特征，采用最小绝对收缩和选择算子(LASSO)-Cox回归筛选关键特征并构建影像组学模型。同时，通过临床特征筛选及建立临床模型，结合以上模型后得到影像组学-临床模型。采用一致性指数(C指数)评价模型的预测效能。结果:影像组学模型由10个影像组学特征构成。病理淋巴结分期为DFS独立的临床风险因素。影像组学-临床模型表现出对肿瘤进展高低风险人群的良好区分度，训练集C指数为0.744,95%置信区间(CI)为0.689～0.799,验证集C指数为0.774,95%CI为0.676～0.872。高风险组中位DFS明显小于低风险组其中训练集(16个月vs 39个月，P<0.001);验证集(11个月vs 24个月，P<0.001)。同时，在训练集的低风险患者中，手术后辅助治疗患者与单纯手术患者的DFS比较无显著统计学差异(DFS分别为34.4个月，...     

基于UGM-ULSSVM的导弹制导控制系统状态预测方法

针对基于特征参数的导弹制导控制系统状态预测存在的状态数据不等间隔、小样本的问题,并考虑各性能特征参数间的相互影响、相互关联的关系,提出了一种基于非等间距灰色联合最小二乘支持向量机(UGM-ULSSVM)的退化状态预测方法.在UGM-ULSSVM模型的训练阶段,根据特征参数序列建立其非等间距灰色预测模型(UGM(1,1)),将UGM(1,1)的拟合值作为输入,原始数据序列作为输出,分别训练得到时间型最小二乘支持向量机(TLSSVM)与空间型最小二乘支持向量机(SLSSVM);在模型的预测阶段,由建立的UGM(1,1)模型和通过证据理论融合TLSSVM和SLSSVM建立的ULSSVM模型组合得到UGM-ULSSVM状态预测模型.以导弹制导控制系统为例,实现了关键参数预测,结果验证了方法的合理性与有效性.     

碳环类神经氨酸酶抑制剂的2D-QSAR研究

对32个碳环类神经氨酸酶抑制剂进行了二维定量构效关系（2D-QSAR）研究，27个作为训练集，5个作为测试集，对计算所得的理化和量化参数进行预选后，采用偏最小二乘法（Partial least squares，PLS）建立预测模型，该模型的非交叉法验证相关系数为R^2=0．9762，交叉法验证相关系数为RCV^2=0．9651；以此预测模型对测试集的5个化合物的活性进行预测，相关系数为Rpred^2=0．8779，表明该模型具有较强的预测能力，可以指导对已有的流感药物进行化学修饰，并能指导新的神经氨酸酶抑制剂的设计及合成．     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于随机森林回归和气象参数的城市空气质量预测模型——以重庆市为例

为有效进行城市空气质量预测、推进城市空气污染防治,弥补传统统计学模型在大数据时代背景下对城市空气质量预测准确率低、容错能力差等问题,提出利用随机森林回归构建城市空气质量预测模型;综合考量污染物浓度、气象参数、时间参数等多方面影响因素,通过网格搜索法调整参数的最优组合,构建基于随机森林回归算法的城市空气质量预测模型;基于重庆市2017-01-01—2020-07-31的指标数据,对重庆市空气质量进行预测分析,结果表明:在模型下训练集与测试集的确定性系数R~2均在99%以上,均方误差D_(MSE)和平均绝对误差D_(MAE)在训练集和测试集上的取值均在可接受范围内,证实模型具有运行速度快、预测误差小、具有较高的预测精度等优点,具备较好的学习能力与泛化能力。     

融合Logistic回归与Tabnet模型的P2P网贷违约预测方法

结合P2P网贷平台的特点,融合Logistic回归和Tabnet模型,提出一种P2P网贷违约预测方法。采集人人贷平台借贷数据,并对数据进行清洗与加工预处理;通过信息价值法和相关性分析,对众多解释变量进行筛选,以借款状态作为因变量,采用Tabnet神经网络进行训练,根据训练得到的特征重要性选择关键的解释变量;将Tabnet神经网络预测结果作为新的训练数据集,构建Logistic回归模型;将人人贷数据集输入Logistic回归学习与训练,以训练好的Logistic回归用于网贷违约预测。实验结果表明,Tabnet模型的网贷违约平均预测准确率和精确率分别为9958%、9547%,Logistic回归的平均准确率和精确率分别为9872%、9221%,而融合模型的平均准确率和精确率分别为9960%、9672%;在3个测试集上的准确率标准差分别为0001 4、0000 6、0000 5,精确率标准差分别为0034 4、0013 3、0013 2。表明融合Logistic回归与Tabnet的网贷违约预测方法具有Logistic回归模型的可解释性与稳定性,可提高单一模型的预测精确度。     

基于优化DeepLabv3+的混凝土梁裂缝分割及特征量化

目前基于深度神经网络的裂缝分割模型存在着训练参数多、裂缝边缘分割粗糙、分割精度不足、缺少深度特征语义信息等问题。为解决以上问题，对目前分割性能较好的DeepLabv3+模型进行研究，嵌入Non-local注意力机制并改进了主干网络Resnet101得到优化模型DeepLabv3+(N-S)，最后基于优化模型的输出并使用裂缝骨架提取的方法来量化裂缝特征参数。使用的数据集为自制的混凝土梁裂缝图像数据集，并对优化前后模型作对比实验，分析了模型在各项性能上优化的有效性，并使用实测数据来验证评估裂缝各项特征参数量化方法。实验结果表明，DeepLabv3+(N-S)网络在数据集上的mPA 、mIoU达到了88.86%、82.04%，较于原模型分别提高2.21%、2.54%，裂缝分割效果优于原模型，且裂缝样本各项特征参数量化的平均误差为+8.7%，低于原模型，可满足工程上的检测精度需求。     

基于 siPLS 法建立藤茶中二氢杨梅素近红外定量分析方法

目的:建立藤茶中二氢杨梅素近红外定量模型,用于其快速定量分析.方法:采集45批藤茶样品的近红外光谱,以高效液相色谱法测定样品中二氢杨梅素的含量,并作为参照,以组合区间偏最小二乘法(si PLS法)对特征谱段进行优化,建立二氢杨梅素的定量模型并对模型进行评价.结果:光谱预处理选用矢量归一化法(VN),确定9000~8500 cm-1、8000~7000 cm-1、6000~5500 cm-1为建模谱段.内部交叉验证中,校正均方差(RMSECV)为2.38%,决定系数(R2)为92.16%;外部验证中,模型对训练集预测均方差(RMSEE)为0.993%,对验证集预测均方差(RMSEP)为2.87%,其决定系数为90.67%,相对预测偏差(RPD)为3.27.当样品中二氢杨梅素的含量范围为9.77%~46.13%时,平均预测回收率为97.57%.结论:所建模型预测能力好,可用于藤茶中二氢杨梅素的快速定量分析.     

基于Unet++网络的数字岩心图像分割泛化能力

图像分割是数字岩心技术的重要组成部分,深度学习为数字岩心图像分割提供了新方法。在优选的深度学习模型的基础上确定网络结构、训练数据量来平衡计算效率,进一步在不同类型的岩心数据集上讨论网络的泛化能力及其影响因素。结果表明：Unet、Segnet和Unet++网络中,Unet++网络可以在保证分割精度的同时具有最好的物性参数预测效果;Unet++网络在训练数据量和预测数据量为1∶1,网络结构设计2次采样的条件下,Unet++网络的分割精度可以达到98%;基于多类岩心训练的Unet++网络分割不同岩心图像的平均分割精度达95%,相较于岩心的类型,岩心图像的质量更能影响Unet++网络的识别效果。     

基于融合算法优化的卷积神经网络预测方法

由于不同气象条件会影响太阳辐照度的有效利用,这制约了太阳能的应用和发展.为了基于不同站点不同采样时刻的气象属性预测中尺度站的太阳能辐照度,依据传统卷积神经网络的框架,建立了一种新型的卷积神经网络结构幵用于太阳能辐照度预测.为了缓解新型网络由超参数选取不当导致预测性能差的问题,利用融合算法对新型网络的超参数进行优化.为了提高融合优化算法的全局搜索能力,引入帐篷映射对粒子的初始位置和初始速度进行混沌初始化.首先,导入训练集更新新型卷积神经网络框架,训练结束后导入验证集检验当前模型参数下新型卷积框架的性能.其次,混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型的超参数多次检验,直至最优的预测模型在验证集上的性能趋于收敛.最后,辒出模型的最优超参数,建立太阳能辐照度预测模型.基于气象实测数据建立太阳能辐照度预测实验,引入其他两种预测方法进行对比仿真研究,幵尽可能复现了Eustaquio and Titericz团队的预测方法(GBRT)作为太阳能辐照度预测性能的评估基准.实验数据表明:混沌融合算法可以有效地提高新型卷积神经网络的预测性能,所提出预测方法的全年太阳能辐照度的均方误差较GBRT降低25.9%,绝对平均误差较GBRT降低了10.7%;全年太阳能辐照度平均误差率降低了18.4%,误差率小于0.1的样本量增加了21.1%.     

基于改进型支持向量机的胶接强度预测模型

文章建立了有限元模型计算复合材料修复的含中心裂纹钢板的裂纹处应力强度因子(stress intensity factor,SIF),把仿真结果作为训练样本;提出通过支持向量机(support vector machine,SVM)对样本集进行训练和预测,建立基于复合材料补片尺寸参数的胶接强度预测模型,综合考虑补片的长度、宽度和厚度之间的关联性,为补片参数选择提供参考;采用遗传算法(genetic algorithm,GA)、粒子群算法(particle swarm optimization,PSO)和改进的粒子群算法(improved particle swarm optimization,IPSO)对SVM的惩罚因子c和核函数的参数g进行寻优,分别建立GA-SVM、PSO-SVM、IPSO-SVM 3种模型对胶接强度进行预测。结果表明:IPSO-SVM模型的预测效果要优于GA-SVM和PSO-SVM模型;IPSO-SVM模型能够准确地预测修复结构的胶接强度。利用该预测模型可以避免重复建模仿真,降低了考虑补片尺寸参数耦合时的复杂性;应用该预测模型所得的最优尺寸参数对结构进行修复,结构的强度得到了有效提高。     

基于缩减策略的混沌时间序列LSSVM预测模型

 由于混沌时间序列具有样本大等特点,使用最小二乘支持向量机(LSSVM)建立其预测模型具有内存开销大、训练速度慢等缺点,因此,在混沌序列数据特性的基础上,利用样本集分割与样本相关性的思想,提出一种基于缩减策略的混沌时间序列LSSVM预测模型。该模型利用混沌时间序列的平均周期将大样本数据分解成不同的子集,把最后一个子集之外的其他子集利用拉格朗日乘子的值缩减一部分非支持向量,将缩减后样本与最后一个子集合并,利用相关系数缩减法缩减合并后的样本集,并利用最小二乘支持向量机进行回归预测。最后通过相关实验,验证了本模型在基本不损失预测精度的基础上具有较快的计算速度。     

基于GS-SVM的膨胀土边坡防护工程健康预测模型

为了对膨胀土边坡防护工程健康状态进行精确、快速地预测,选取表征膨胀土边坡防护工程健康状态的指标,采用支持向量机算法,建立膨胀土边坡防护工程健康预测GS-SVM模型.在此基础上,研究数据预处理方式(标准化、权重量化)和模型训练集抽取比例(50％～80％)对预测结果的影响.研究结果表明:随着模型训练集抽取比例的增加,模型的...