×
李超；张书恒；张欢；庞丽芳；林金曼；Hui，Chun女士；张，苏

使用K-最近邻算法对胃癌淋巴结转移进行分类。 （英语） Zbl 1254.92047号

计算。数学。方法医学。 2012年，文章ID 876545，11 p.（2012）.
摘要：准确的肿瘤、淋巴结和转移（TNM）分期，特别是胃癌的N分期或淋巴结转移诊断，是临床医学图像分析中的一个热门问题，宝石光谱成像（GSI）比传统的计算机断层扫描（CT）能为医生提供更多信息。本文将机器学习方法应用于胃癌淋巴结转移的GSI分析。首先，我们使用一些特征选择或度量学习方法来降低数据维数和特征空间。然后我们使用K-最近邻分类器来区分淋巴结转移和非淋巴结转移。实验涉及38个胃癌淋巴结样本，总准确率为96.33%。与螺旋CT（敏感性75.2%，特异性41.8%）和多排螺旋CT（82.09%）等传统诊断方法相比，淋巴结转移的诊断准确率较高。GSI-CT可以成为胃癌N分期患者术前诊断的最佳选择。

引用于1文件

MSC公司：

92 C50 医疗应用（通用）
92 C55 生物医学成像和信号处理
68T05型 人工智能中的学习和自适应系统
92-08 生物学相关问题的计算方法

软件：

LMNN公司；PRMLT公司
PDF格式BibTeX公司 XML格式引用
\textit{C.Li}等人，计算。数学。方法Med.2012，文章ID 876545，11 p.（2012；Zbl 1254.92047）
全文： 内政部

参考文献：

[1] A.Jemal、F.Bray、M.M.Center、J.Ferlay、E.Ward和D.Forman，“全球癌症统计”，《CA临床医生癌症杂志》，第61卷，第2期，第69-90页，2011年·doi:10.3322/caac.20107
[2] “癌症事实和数据”，美国癌症协会，2012年。
[3] M.H.Lee、D.Choi、M.J.Park和M.W.Lee，“胃癌：基于第七届AJCC指南的MDCT成像和分期”，《腹部成像》，第37卷，第4期，第531-540页，2011年·doi:10.1007/s00261-011-9780-3
[4] M.M.Ozmen、F.Ozmen和B.Zulfikaroglu，“胃癌中的淋巴结”，《外科肿瘤学杂志》，第98卷，第6期，第476-4812008页·doi:10.1002/jso.21134
[5] P.Aurello，F.D'Angelo，S.Rossi等人，“胃癌淋巴结转移的分类：N位点和N编号系统的比较。我们的经验和文献综述”，《美国外科医生》，第73卷，第4期，第359-366页，2007年。
[6] T.Akagi、N.Shiraishi和S.Kitano，“胃癌的淋巴结转移”，《癌症》，第3卷，第2期，第2141-21592011页·doi:10.3390/cancers3022141
[7] H.Saito，Y.Fukumoto，T.Osaki等人，“晚期胃癌患者转移淋巴结与解剖淋巴结比率（n比率）的预后意义”，《外科肿瘤学杂志》，第97卷，第2期，第132-135页，2008年·doi:10.1002/jso.20929
[8] F.Espin，A.Bianchi，S.Llorca等人，“胃癌中转移淋巴结比率与转移淋巴结数量的关系作为预后因素”，《欧洲外科肿瘤学杂志》，第38卷，第497-5022012页·doi:10.1016/j.ejso.2012.01.012
[9] M.Karcaaltincaba和A.Aktas，“双能CT与多探头CT的重新审视：原理和临床应用回顾”，《诊断和介入放射学》，第17卷，第181-194页，2011年。
[10] 严志刚、朱志刚、严美美等，“多层螺旋CT在胃癌术前T分期和N分期中的价值：一项大规模中国研究”，《外科肿瘤学杂志》，第100卷，第3期，第205-214页，2009年·doi:10.1002/jso.21316
[11] T.Fukuya，H.Honda，T.Hayashi等人，“淋巴结转移：螺旋CT检测胃癌患者的疗效”，《放射学》，第197卷，第3期，第705-711页，1995年。
[12] N.Chandra和D.A.Langan，“宝石探测器：通过快速kvp开关的双能量成像”，载于《临床实践中的双能量CT》，T.F.Johnson、T.F.C、S.O.Schönberg和M.F.Reiser，Eds.，Springer，Berlin，Germany，2011年。
[13] D.Zhang、X.Li和B.Liu，“GE discovery CT750 HD扫描仪的客观表征：宝石光谱成像模式”，《医学物理学》，第38卷，第3期，第1178-1188页，2011年·doi:10.1118/1.3551999年
[14] H.Peng、F.Long和C.Ding，“基于互信息的特征选择：最大依赖性、最大相关性和最小冗余的标准”，IEEE模式分析和机器智能汇刊，第27卷，第8期，第1226-1238页，2005年·doi:10.1109/TPAMI.2005.159
[15] Y.Cai，T.Huang，L.Hu，X.Shi，L.Xie，Y.Li，“利用mRMR特征选择和分析预测赖氨酸泛素化”，《氨基酸》，第42卷，第1387-1395页，2012年·doi:10.1007/s00726-011-0835-0
[16] F.Amiri、M.R.Yousefi、C.Lucas、A.Shakery和N.Yazdani，“入侵检测系统的基于信息的相互特征选择”，《网络与计算机应用杂志》，第34卷，第4期，第1184-1199页，2011年·doi:10.1016/j.jnca.2011.01.002
[17] D.Ververidis和C.Kotropoulos，“低计算成本的顺序前向特征选择”，《第八届欧洲信号处理会议论文集》，土耳其安塔利亚，2005年·Zbl 1151.94419号
[18] L.Wang、A.Ngom和L.Rueda，“非唯一寡核苷酸探针选择问题的顺序正向选择方法”，载于第三届IAPR生物信息学模式识别国际会议论文集，第262-275页，2008年。
[19] M.Yang、L.Zhang、J.Yang和D.Zhang，“用于人脸识别的稳健稀疏编码”，载于《第24届IEEE计算机视觉和模式识别会议论文集》（CVPR’11），第625-6322011页。
[20] 黄忠、沈洪涛、邵杰、吕格、周旭，“局部压缩：图像检索的一种新的降维方法”，载《第16届ACM国际多媒体会议论文集》（MM'08），第219-228页，加拿大，2008年10月·数字对象标识代码：10.1145/1459359.1459389
[21] 刘阳和金荣，“远程测量学习：综合调查”，密歇根州立大学计算机科学与工程系技术代表，2006年。
[22] A.Bar-Hillel、T.Hertz、N.Shental和D.Weinshall，“使用等价关系学习距离函数”，《第20届机器学习国际会议论文集》，第11-18页，2003年8月·Zbl 1222.68140号
[23] J.Goldberger、S.Roweis、G.Hinton和R.Salakhutdinov，“邻域成分分析”，《神经信息处理系统会议记录》（NIPS’04），2004年。
[24] M.Sugiyama，“通过本地fisher判别分析降低多模态标记数据的维数”，《机器学习研究杂志》，第8卷，第1027-1061页，2007年·Zbl 1222.68312号
[25] K.Q.Weinberger和L.K.Saul，“大幅度最近邻分类的距离度量学习”，《机器学习研究杂志》，第10卷，第207-244页，2009年·Zbl 1235.68204号
[26] C.M.Bishop，模式识别和机器学习（信息科学和统计），Springer，纽约州纽约市，美国。
[27] C.Ding和H.Peng，“微阵列基因表达数据的最小冗余特征选择”，《生物信息学和计算生物学杂志》，第3卷，第2期，第185-205页，2005年·doi:10.1142/S0219720005001004
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。