目的探讨H3.3G34W、p63及SATB2在骨巨细胞瘤(giant cell tumor of bone,GCTB)中的表达情况及其联合应用对GCTB的诊断作用和价值。方法收集西安交通大学附属红会医院病理科2020年至2022年诊断的54例GCTB、83例非骨巨细胞瘤(non-giant cel...目的探讨H3.3G34W、p63及SATB2在骨巨细胞瘤(giant cell tumor of bone,GCTB)中的表达情况及其联合应用对GCTB的诊断作用和价值。方法收集西安交通大学附属红会医院病理科2020年至2022年诊断的54例GCTB、83例非骨巨细胞瘤(non-giant cell tumor of bone,NGCTB)(包含14例动脉瘤样骨囊肿、16例软骨母细胞瘤和53例非骨化性纤维瘤)患者的样本和病历资料,采用免疫组织化学EliVision法检测H3.3G34W、p63及SATB2的表达情况。通过χ^(2)检验判断H3.3G34W、p63及SATB2的阳性率在各组间是否存在统计学差异;通过Logistic回归分析建立包括H3.3G34W、p63及SATB2的联合诊断模型,通过受试者工作特征(ROC)曲线分析评价模型的诊断价值。结果H3.3G34W、p63及SATB2在GCTB组中阳性率分别为81.5%、90.7%、92.6%;在NGCTB组中阳性率分别为2.4%、28.9%、62.7%。与NGCTB组相比,GCTB组患者年龄显著较大[(41.222±14.849)vs.(16.566±9.439);P<0.001],女性比男性患病率更高(51.9%vs.48.1%,P<0.001)。与NGCTB组相比,GCTB组中H3.3G34W(81.5%vs.2.4%,P<0.001);p63(90.7%vs.28.9%,P<0.001)和SATB2(92.6%vs.62.7%,P<0.001)的阳性率更高。单因素Logistic回归分析构建单因素预测模型,同时行ROC曲线分析,表明年龄(AUC=92.9%,P<0.001)、性别(AUC=64.5%,P=0.004)、H3.3G34W阳性率(AUC=89.5%,P<0.001)、p63阳性率(AUC=80.9%,P<0.001)、SATB2阳性率(AUC=65.0%,P=0.003)是GCTB诊断的独立预测因素。进一步的多因素Logistic回归分析构建混合预测模型,并行ROC曲线分析,发现混合模型展现出比单因素模型更好的预测价值(AUC=98.4%,P<0.001)。结论H3.3G34W、p63及SATB2是有效诊断GCTB的分子标记物,且三者联合应用更能提高GCTB的诊断预测效能。展开更多
随着移动互联网+的广泛发展,各行各业的线上线下电子商务模式(online to offline,O2O)也应运而生,然而,同质化竞争和数据价值挖掘不足的问题限制了市场的持续向好发展。聚焦于O2O模式下的顾客满意度研究,提出了一种新型的中文文本预测模...随着移动互联网+的广泛发展,各行各业的线上线下电子商务模式(online to offline,O2O)也应运而生,然而,同质化竞争和数据价值挖掘不足的问题限制了市场的持续向好发展。聚焦于O2O模式下的顾客满意度研究,提出了一种新型的中文文本预测模型,命名为W2V-ATT-LSTM。该模型引入Attention机制以提高对重要文本的感知能力,进一步融合W2V和LSTM结构,深度挖掘头部企业真实交易数据进行分析处理、特征选择和模型训练。通过LDA模型进行主题挖掘,深入了解消费者对产品或服务的感受,为企业提供有针对性的改进建议。实验结果显示,W2V-ATT-LSTM模型在公开数据集任务中的准确率(91.4%)、精确率(82.2%)、召回率(81.7%)和F1(81.4%)等指标均优于KNN、贝叶斯、决策树、SVM等传统机器学习算法;在爬虫真实数据集任务中的准确率(94%)、精确率(90%)、召回率(89%)和F1(89%)也优于W2V、LSTM、Bi-LSTM和Bert;在多个公开中文情感分析数据集上的优越性能也表明W2V-ATT-LSTM对于理解和处理自然语言文本具有显著的实际应用价值。在当前竞争激烈的O2O市场,W2V-ATT-LSTM模型能为顾客与商家提供可靠的决策参考,有望帮助企业更好地理解顾客需求,提升服务水平,推动行业良性发展。展开更多
文摘目的探讨H3.3G34W、p63及SATB2在骨巨细胞瘤(giant cell tumor of bone,GCTB)中的表达情况及其联合应用对GCTB的诊断作用和价值。方法收集西安交通大学附属红会医院病理科2020年至2022年诊断的54例GCTB、83例非骨巨细胞瘤(non-giant cell tumor of bone,NGCTB)(包含14例动脉瘤样骨囊肿、16例软骨母细胞瘤和53例非骨化性纤维瘤)患者的样本和病历资料,采用免疫组织化学EliVision法检测H3.3G34W、p63及SATB2的表达情况。通过χ^(2)检验判断H3.3G34W、p63及SATB2的阳性率在各组间是否存在统计学差异;通过Logistic回归分析建立包括H3.3G34W、p63及SATB2的联合诊断模型,通过受试者工作特征(ROC)曲线分析评价模型的诊断价值。结果H3.3G34W、p63及SATB2在GCTB组中阳性率分别为81.5%、90.7%、92.6%;在NGCTB组中阳性率分别为2.4%、28.9%、62.7%。与NGCTB组相比,GCTB组患者年龄显著较大[(41.222±14.849)vs.(16.566±9.439);P<0.001],女性比男性患病率更高(51.9%vs.48.1%,P<0.001)。与NGCTB组相比,GCTB组中H3.3G34W(81.5%vs.2.4%,P<0.001);p63(90.7%vs.28.9%,P<0.001)和SATB2(92.6%vs.62.7%,P<0.001)的阳性率更高。单因素Logistic回归分析构建单因素预测模型,同时行ROC曲线分析,表明年龄(AUC=92.9%,P<0.001)、性别(AUC=64.5%,P=0.004)、H3.3G34W阳性率(AUC=89.5%,P<0.001)、p63阳性率(AUC=80.9%,P<0.001)、SATB2阳性率(AUC=65.0%,P=0.003)是GCTB诊断的独立预测因素。进一步的多因素Logistic回归分析构建混合预测模型,并行ROC曲线分析,发现混合模型展现出比单因素模型更好的预测价值(AUC=98.4%,P<0.001)。结论H3.3G34W、p63及SATB2是有效诊断GCTB的分子标记物,且三者联合应用更能提高GCTB的诊断预测效能。
文摘随着移动互联网+的广泛发展,各行各业的线上线下电子商务模式(online to offline,O2O)也应运而生,然而,同质化竞争和数据价值挖掘不足的问题限制了市场的持续向好发展。聚焦于O2O模式下的顾客满意度研究,提出了一种新型的中文文本预测模型,命名为W2V-ATT-LSTM。该模型引入Attention机制以提高对重要文本的感知能力,进一步融合W2V和LSTM结构,深度挖掘头部企业真实交易数据进行分析处理、特征选择和模型训练。通过LDA模型进行主题挖掘,深入了解消费者对产品或服务的感受,为企业提供有针对性的改进建议。实验结果显示,W2V-ATT-LSTM模型在公开数据集任务中的准确率(91.4%)、精确率(82.2%)、召回率(81.7%)和F1(81.4%)等指标均优于KNN、贝叶斯、决策树、SVM等传统机器学习算法;在爬虫真实数据集任务中的准确率(94%)、精确率(90%)、召回率(89%)和F1(89%)也优于W2V、LSTM、Bi-LSTM和Bert;在多个公开中文情感分析数据集上的优越性能也表明W2V-ATT-LSTM对于理解和处理自然语言文本具有显著的实际应用价值。在当前竞争激烈的O2O市场,W2V-ATT-LSTM模型能为顾客与商家提供可靠的决策参考,有望帮助企业更好地理解顾客需求,提升服务水平,推动行业良性发展。
