基于随机子采样的隔离森林算法没有考虑到子采样中来自不同区域样本点之间的相对密度,为此提出基于核函数的隔离森林算法K-iForest,根据概率密度函数重新采样来提高隔离森林算法的性能。在离群点检测数据库(ODDS)的Annthyroid、ForestCo...基于随机子采样的隔离森林算法没有考虑到子采样中来自不同区域样本点之间的相对密度,为此提出基于核函数的隔离森林算法K-iForest,根据概率密度函数重新采样来提高隔离森林算法的性能。在离群点检测数据库(ODDS)的Annthyroid、ForestCover、Mulcross、Shuttle和Http(KDD Cup 1999)、Smtp(KDD Cup 1999)、KDD CUP 99数据集上验证K-iForest算法的有效性和效率,并与iForest算法、EIF算法、RRCF算法、GIF算法以及HIF算法进行比较。实验结果表明,K-iForest算法的AUC值高出其他算法0.1%~100.2%。展开更多
目的:构建预测头颈部腺样囊性癌(ACCHN)患者生存情况的列线图。方法:选择2000年至2017年SEER数据库的2 108例ACCHN患者作为建模队列,通过Cox回归分析筛选影响患者预后的独立因素,构建预测患者3 a、5 a总生存率(OS)和癌症特异性生存率(C...目的:构建预测头颈部腺样囊性癌(ACCHN)患者生存情况的列线图。方法:选择2000年至2017年SEER数据库的2 108例ACCHN患者作为建模队列,通过Cox回归分析筛选影响患者预后的独立因素,构建预测患者3 a、5 a总生存率(OS)和癌症特异性生存率(CSS)的列线图。选取2000年至2017年确诊的149例ACCHN患者作为外部验证队列,采用一致性指数(C指数)、ROC曲线和校准曲线评估列线图的性能。结果:年龄、性别、单原发癌、手术、化疗、原发部位、T分期、N分期、M分期是OS的影响因素。年龄、单原发癌、手术、化疗、原发部位、AJCC分期、T分期、N分期、M分期是CSS的影响因素。以上特征均整合在预测3 a和5 a OS和CSS的列线图中,内部验证C指数(95%CI)分别为0.770(0.754~0.786)和0.602(0.584~0.620),外部验证C指(95%CI)分别为0.796(0.795~0.797)和0.781(0.780~0.782)。内部验证中预测3 a和5 a OS的AUC(95%CI)分别为0.826(0.803~0.849)和0.814(0.792~0.835),预测3 a和5 a CSS的AUC(95%CI)分别为0.845(0.820~0.871)和0.834(0.811~0.857);外部验证中预测3 a和5 a OS的AUC(95%CI)分别为0.855(0.779~0.932)和0.838(0.768~0.909),预测3 a和5 a CSS的AUC(95%CI)分别为0.806(0.701~0.911)和0.806(0.726~0.886)。结论:本研究所构建的列线图可以准确预测ACCHN患者的OS和CSS,有助于个性化的预后评估和临床决策。展开更多
文摘基于随机子采样的隔离森林算法没有考虑到子采样中来自不同区域样本点之间的相对密度,为此提出基于核函数的隔离森林算法K-iForest,根据概率密度函数重新采样来提高隔离森林算法的性能。在离群点检测数据库(ODDS)的Annthyroid、ForestCover、Mulcross、Shuttle和Http(KDD Cup 1999)、Smtp(KDD Cup 1999)、KDD CUP 99数据集上验证K-iForest算法的有效性和效率,并与iForest算法、EIF算法、RRCF算法、GIF算法以及HIF算法进行比较。实验结果表明,K-iForest算法的AUC值高出其他算法0.1%~100.2%。
文摘目的:构建预测头颈部腺样囊性癌(ACCHN)患者生存情况的列线图。方法:选择2000年至2017年SEER数据库的2 108例ACCHN患者作为建模队列,通过Cox回归分析筛选影响患者预后的独立因素,构建预测患者3 a、5 a总生存率(OS)和癌症特异性生存率(CSS)的列线图。选取2000年至2017年确诊的149例ACCHN患者作为外部验证队列,采用一致性指数(C指数)、ROC曲线和校准曲线评估列线图的性能。结果:年龄、性别、单原发癌、手术、化疗、原发部位、T分期、N分期、M分期是OS的影响因素。年龄、单原发癌、手术、化疗、原发部位、AJCC分期、T分期、N分期、M分期是CSS的影响因素。以上特征均整合在预测3 a和5 a OS和CSS的列线图中,内部验证C指数(95%CI)分别为0.770(0.754~0.786)和0.602(0.584~0.620),外部验证C指(95%CI)分别为0.796(0.795~0.797)和0.781(0.780~0.782)。内部验证中预测3 a和5 a OS的AUC(95%CI)分别为0.826(0.803~0.849)和0.814(0.792~0.835),预测3 a和5 a CSS的AUC(95%CI)分别为0.845(0.820~0.871)和0.834(0.811~0.857);外部验证中预测3 a和5 a OS的AUC(95%CI)分别为0.855(0.779~0.932)和0.838(0.768~0.909),预测3 a和5 a CSS的AUC(95%CI)分别为0.806(0.701~0.911)和0.806(0.726~0.886)。结论:本研究所构建的列线图可以准确预测ACCHN患者的OS和CSS,有助于个性化的预后评估和临床决策。