乳腺MRI联合钼靶X射线检查在鉴别乳腺肿块良恶性方面的价值分析

鉴别乳腺肿块良恶性时应用乳腺MRI联合钼靶X射线检查的具体价值。方法:选取2022年01月~2023年01月我院收治的50例乳腺肿块患者,进行乳腺MRI检查、乳腺钼靶X射线检查、乳腺MRI联合钼靶X射线检查,根据检查方式不同,获取各检查结果,并与病理结果对比,判定其准确性以及临床应用有效性。结果:乳腺MRI检查符合率86.00%、乳腺钼靶X射线检查符合率72.00%、联合检查符合率94.00%。敏感度、特异度、准确率、阳性预测值、阴性预测值乳腺MRI检查各项数据结果,乳腺MRI检查分别为:25/30(83.33%)、12/20(60.00%)、37/50(74.00%)、25/33(75.76%)、12/17(70.59%);乳腺钼靶X射线检查分别为:20/30(66.67%)、10/20(50.00%)、30/50(60.00%)、20/30(66.67%)、10/20(50.00%);联合检查分别为:29/30(96.67%)、19/20(95.00%)、48/50(96.00%)、29/30(96.67%)、19/20(95.00%)。联合检查与单项检查对比,存在明显差异(P<0.05)。结论:经对乳腺肿块患者不同检查诊断后发现,乳腺MRI联合钼靶X射线检查准确率更高,漏诊率及误诊率较低,可增强良恶性肿瘤诊断的敏感度及特异度,临床应用价值较高,值得推广。

基于自然梯度的概率主组件分析在线学习算法

对于主组件分析模型,传统方法利用特征值分解的方法求解,其计算复杂度为O(ND2),其中N表示数据规模,D表示数据的维度.概率主组件分析是从概率的角度理解主组件分析模型,此时可以使用期望最大化算法迭代求解,其计算复杂度为O(NDM),其中M表示选取的维度,对于大规模高维数据可有效提高模型效率.但是,在参数更新过程中,概率主组件模型的期望最大化算法需要遍历整个数据集才能更新一次参数,参数更新较慢,同时该算法很难扩展到大规模数据集.本文提出基于自然梯度的概率主组件分析在线学习算法,通过结合概率主组件分析的自然梯度,实现在线增量学习模型.进一步将降维后的数据通过全连接神经网络进行分类,并通过实验证明,该方法在降维效果及算法运行效率上有明显提高.

基于KS检验的高斯混合模型分裂与合并算法

高斯混合模型是有限个独立高斯模型的线性组合,估计其子模型个数是一个重要的研究问题.一类典型的算法是以最短描述长度为目标函数,在迭代过程中通过对子模型进行分裂与合并操作确定子模型个数.这类方法一般采用熵比、KL散度和模型相似度作为分裂和合并的判别准则.但是熵比或KL散度准则对稀疏子模型和凹形子模型过于敏感导致过度分裂,模型相似度准则不能反映合并后模型的高斯拟合优度导致过度合并.在算法的迭代过程中,这些过度分裂与合并操作产生振荡现象.针对估计子模型个数时出现的过度分裂与合并问题,基于KS检验的高斯混合模型的分裂与合并算法选择熵比与KS检验作为分裂的判别准则,模型相似度和KS检验作为合并的判别准则.最后在六个数据集上进行了实验证明算法的有效性.