-
公开(公告)号：CN115602326A
公开(公告)日：2023-01-13
申请号：CN202211292710.7
申请日：2022-10-21
Applicant: 中国科学院计算技术研究所(CN)
Abstract: 本发明提供了一种用于挖掘肿瘤标志物的方法，包括：S1、获取预定的多个分子通路所含有的所有基因在预设的实验组、对照组中分别发生变异的频率，实验组中的每个样本患有预定类别的肿瘤，对照组中的每个样本未患有所述预定类别的肿瘤或者患有所述预定类别的肿瘤但与实验组的样本的分型不同；S2、基于每个分子通路所含有的基因在实验组、对照组中分别发生变异的频率，确定在实验组和对照组中每个基因发生变异频率的差异指数；S3、针对每个分子通路，将该分子通路所含有的所有基因发生变异频率的差异指数求和，得到该分子通路的差异指数；S4、从预定的多个分子通路中，选择分子通路的差异指数大于预定检测阈值的分子通路作为肿瘤标志物。
-
Patent Agency Ranking
公开(公告)号：CN113393461A
公开(公告)日：2021-09-14
申请号：CN202110939852.7
申请日：2021-08-16
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于深度学习的分裂中期染色体图像质量筛选方法和系统，所述方法和系统使用附带标注的分裂中期细胞染色体图像构建训练集和测试集，并进行模型的构建和训练。模型完成训练后，可以对输入的一个病例的每一张染色体图像进行质量评估，输出每一张染色体图像的质量评估结果，然后将所有的染色体图像按照质量评估结果的高低进行降序排序，即模型认为排序靠前的染色体图像质量更高，然后在排序后的染色体图像中靠前选取足够进行诊断的染色体图像即可完成染色体图像质量筛选过程。所述方法和系统数据来源简单，能够准确评价染色体图像质量的高低，AUC值为0.927，模型检测速度快，检测速度大大快于人工速度。
-
公开(公告)号：CN109523520B
公开(公告)日：2020-12-18
申请号：CN201811250267.0
申请日：2018-10-25
Applicant: 北京大学第三医院 , 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于深度学习的染色体自动计数方法，包括以下步骤：(1)图像收集和预处理步骤；(2)图像分类和回归步骤；(3)模型训练步骤；(4)测试计数步骤，其中，在步骤(2)中采用新的抽样策略，并对Faster R‑CNN模型损失函数进行了改进。本发明所需的数据来源于真实显微镜视野下的G显带染色体，所述方法无需复杂实验过程，成本低廉，耗时更短，能够自动准确完成目标染色体计数。本发明使用1000例标注的染色体图训练模型，随后用175例标注的染色体图做测试，统计显示175例共包含8023条染色体，测试的准确率为98.95％，召回率为98.67％。测试结果显示用机器计数后人工校正的方法完成一份报告的染色体计数所需时间短于目前的1/3。
-
公开(公告)号：CN111192631A
公开(公告)日：2020-05-22
申请号：CN202010000530.1
申请日：2020-01-02
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种构建用于预测蛋白质-RNA相互作用结合位点模型的方法和系统，与其对应的还包括使用该方法预测蛋白质-RNA相互作用结合位点的方法和系统。其使用RNA与蛋白质结合位点处及上下游的序列特征以及测定的RNA结构特征来训练深度学习模型，并使用所述模型对蛋白质-RNA相互作用结合位点进行预测。在所述特征的提取过程中分别使用了基于卷积神经网络构建的基序获取模块和基于循环神经网络构建的上下文语义获取模块。本发明中训练出的模型在判断准确度和计算时间以及应用平台的广泛性方面都相比于现有技术有着显著进步。
-
公开(公告)号：CN113393461B
公开(公告)日：2021-12-07
申请号：CN202110939852.7
申请日：2021-08-16
Applicant: 北京大学第三医院(北京大学第三临床医学院) , 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于深度学习的分裂中期染色体图像质量筛选方法和系统，所述方法和系统使用附带标注的分裂中期细胞染色体图像构建训练集和测试集，并进行模型的构建和训练。模型完成训练后，可以对输入的一个病例的每一张染色体图像进行质量评估，输出每一张染色体图像的质量评估结果，然后将所有的染色体图像按照质量评估结果的高低进行降序排序，即模型认为排序靠前的染色体图像质量更高，然后在排序后的染色体图像中靠前选取足够进行诊断的染色体图像即可完成染色体图像质量筛选过程。所述方法和系统数据来源简单，能够准确评价染色体图像质量的高低，AUC值为0.927，模型检测速度快，检测速度大大快于人工速度。
-
公开(公告)号：CN109523520A
公开(公告)日：2019-03-26
申请号：CN201811250267.0
申请日：2018-10-25
Applicant: 北京大学第三医院 , 中国科学院计算技术研究所
CPC classification number: G06T7/0012 , G06K9/0014 , G06K9/00147 , G06N3/0454 , G06T2207/10056 , G06T2207/20081 , G06T2207/30004 , G06T2207/30242
Abstract: 本发明公开了一种基于深度学习的染色体自动计数方法，包括以下步骤：(1)图像收集和预处理步骤；(2)图像分类和回归步骤；(3)模型训练步骤；(4)测试计数步骤，其中，在步骤(2)中采用新的抽样策略，并对Faster R-CNN模型损失函数进行了改进。本发明所需的数据来源于真实显微镜视野下的G显带染色体，所述方法无需复杂实验过程，成本低廉，耗时更短，能够自动准确完成目标染色体计数。本发明使用1000例标注的染色体图训练模型，随后用175例标注的染色体图做测试，统计显示175例共包含8023条染色体，测试的准确率为98.95％，召回率为98.67％。测试结果显示用机器计数后人工校正的方法完成一份报告的染色体计数所需时间短于目前的1/3。
-
-
-
-
-
Search Results
16
records
(took 0.026 seconds)
