大多数行人重识别(Person re-identification,ReID)方法仅将注意力机制作为提取显著特征的辅助手段,缺少网络对行人图像关注程度的量化研究.基于此,提出一种可解释注意力部件模型(Interpretable attention part model,IAPM).该模型有3...大多数行人重识别(Person re-identification,ReID)方法仅将注意力机制作为提取显著特征的辅助手段,缺少网络对行人图像关注程度的量化研究.基于此,提出一种可解释注意力部件模型(Interpretable attention part model,IAPM).该模型有3个优点:1)利用注意力掩码提取部件特征,解决部件不对齐问题;2)为了根据部件的显著性程度生成可解释权重,设计可解释权重生成模块(Interpretable weight generation module,IWM);3)提出显著部件三元损失(Salient part triplet loss,SPTL)用于IWM的训练,提高识别精度和可解释性.在3个主流数据集上进行实验,验证所提出的方法优于现有行人重识别方法.最后通过一项人群主观测评比较IWM生成可解释权重的相对大小与人类直观判断得分,证明本方法具有良好的可解释性.展开更多
目的构建并验证一种头颈鳞状细胞癌(head and neck squamous cell carcinoma,HNSCC)自噬相关基因预后风险评分模型。方法从癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库下载全部HNSCC转录组表达数据(RNA sequencing,RNA-seq)及...目的构建并验证一种头颈鳞状细胞癌(head and neck squamous cell carcinoma,HNSCC)自噬相关基因预后风险评分模型。方法从癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库下载全部HNSCC转录组表达数据(RNA sequencing,RNA-seq)及临床信息,筛选出差异表达基因,与GeneCards数据库检索的自噬相关基因(autophagy related genes,ARGs)取交集,得到差异表达的ARGs,整合临床信息后经预后分析获得预后相关的ARGs,再对其富集分析。应用套索(the least absolute shrinkage and selection operator,LASSO)回归和Cox回归模型构建一种用于预测HNSCC预后及生存情况的风险评分模型;绘制受试者工作特征(receiver operating characteristic,ROC)曲线,计算曲线下面积(area under the curve,AUC)及最佳截断(cut-off)值,并以最佳cut-off值将患者分为高、低风险评分组;绘制Kaplan-Meier生存曲线评价该模型的预测性能;将临床信息与风险评分对应整合,再次利用Cox回归分析评价风险评分的独立预后价值。结果通过对差异表达的ARGs进行预后分析初筛出20个与预后相关的ARGs,再应用LASSO回归和Cox回归分析获得9个与预后显著相关的ARGs,以此构建HNSCC的预后风险评分模型。ROC曲线及Kaplan-Meier生存曲线分析显示,低风险评分组生存时间优于高风险评分组,两组生存时间差异有统计学意义(P<0.001),且该模型在训练集(AUC最大值为0.69)与外部验证集(AUC最大值为0.822)中均展现出良好的预测性能。纳入临床信息后,对风险评分进行Cox回归分析,提示其与HNSCC患者预后显著相关(P<0.001),表明风险评分对HNSCC具有独立预后价值。结论由9个ARGs组成的HNSCC风险评分模型,可有效预测HNSCC患者的预后情况。展开更多
文摘目的构建并验证一种头颈鳞状细胞癌(head and neck squamous cell carcinoma,HNSCC)自噬相关基因预后风险评分模型。方法从癌症基因组图谱(The Cancer Genome Atlas,TCGA)数据库下载全部HNSCC转录组表达数据(RNA sequencing,RNA-seq)及临床信息,筛选出差异表达基因,与GeneCards数据库检索的自噬相关基因(autophagy related genes,ARGs)取交集,得到差异表达的ARGs,整合临床信息后经预后分析获得预后相关的ARGs,再对其富集分析。应用套索(the least absolute shrinkage and selection operator,LASSO)回归和Cox回归模型构建一种用于预测HNSCC预后及生存情况的风险评分模型;绘制受试者工作特征(receiver operating characteristic,ROC)曲线,计算曲线下面积(area under the curve,AUC)及最佳截断(cut-off)值,并以最佳cut-off值将患者分为高、低风险评分组;绘制Kaplan-Meier生存曲线评价该模型的预测性能;将临床信息与风险评分对应整合,再次利用Cox回归分析评价风险评分的独立预后价值。结果通过对差异表达的ARGs进行预后分析初筛出20个与预后相关的ARGs,再应用LASSO回归和Cox回归分析获得9个与预后显著相关的ARGs,以此构建HNSCC的预后风险评分模型。ROC曲线及Kaplan-Meier生存曲线分析显示,低风险评分组生存时间优于高风险评分组,两组生存时间差异有统计学意义(P<0.001),且该模型在训练集(AUC最大值为0.69)与外部验证集(AUC最大值为0.822)中均展现出良好的预测性能。纳入临床信息后,对风险评分进行Cox回归分析,提示其与HNSCC患者预后显著相关(P<0.001),表明风险评分对HNSCC具有独立预后价值。结论由9个ARGs组成的HNSCC风险评分模型,可有效预测HNSCC患者的预后情况。