展开

关键词

基于SEER的临床预测模型轻松发3分SCI

今天继续和大家分享一篇临床预测模型文章,同样是基于SEER的一篇预测模型,于2019年11月发表在Annals of Translational Medicine(IF=3.689)上。 2004年-2015年的胃癌患者,纳入549例资料详细的年龄<45岁的患者。 其中包括性别、种族、组织学分级、TNM分期、常见位置及SEER分期。同时,作者利用X-tile软件确定了Age和Size的最佳截断值,并将患者分为根截断值将患者分为3组。 最后,通过DCA结果,研究发现Nomogram展现出了与TNM及SEER stage相当的临床适用能力。 DCA结果 笔者总结:本文通过SEER建立了青年胃癌患者OS和CSS的预后预测模型,并进行了验证。通过统计学分析+R语言技术建立了临床适用性较强的Nomogram。

2.5K32

4分+基于SEER子宫内膜癌预后预测模型

Nomograms for Predicting Cancer-Specific and Overall Survival Among Patients With Endometrial Carcinoma: A SEER 同样是基于seer,对子宫内膜癌患者肿瘤特异性生存率和总生存率相关临床特征进行研究。 研究思路 从SEER中提取1988年至2015年间63729例子宫内膜癌患者的。 子宫内膜癌患者筛选流程如图1所示。 ? 图1 ? 图2 ? 图3 1. 患者基本信息 根纳入和排除标准,共有63729名子宫内膜癌患者纳入本研究(1988-2015)。 用C指评价列线图的预测精度。对于诺模图的内部验证, CSS和OS的C指分别为0.859(0.847-0.871)和0.782(0.772-0.792)。 图6 本文对子宫内膜癌的研究方法是比较经典的研究方法,即首先将集划分成训练集和验证集,然后同时研究与OS和CSS相关的临床特征,可以说研究的范围很广,分析的也很全面!

95720
  • 广告
    关闭

    什么是世界上最好的编程语言?丨云托管征文活动

    代金券、腾讯视频VIP、QQ音乐VIP、QB、公仔等奖励等你来拿!

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    基于SEER预测子宫乳头状浆液性癌CSS的列线图(IF:3.357)

    大家好,我们前几天给大家推送过利用SEER构建预测模型的文章,今天继续和大家分享一篇类似套路的文章,2020年2月发表在Cancer Med杂志上,影响因子3.357。 文章基于seer,重点研究早期子宫乳头状浆液性癌。 , FIGOI-II期UPSC确定了964名患者,他们在2004年至2015年间至少接受了子宫切除术。 图4 相关推荐:手把手掌握临床研究的必备绘图技能:列线图 结语 文章基于seer的早期子宫乳头状浆液性癌患者的临床特征进行研究,通过单因素与多因素分析找到与CSD相关的临床特征因素,利用列线图来构建临床预测模型 基于seer发表的文章有很多,选择合适的切入点很重要,本文就是一个很好的例子,我们可以借鉴和学习!

    33620

    仅在免疫治疗不良反应上做文章,SEER也能发4分+SCI

    文章根SEER的晚期非小细胞肺癌患者,研究免疫疗法产生的心脏毒性不良反应对患者总生存率(OS)的影响。 方法:在这项研究中,从SEER免疫治疗批准时间选择伴有心脏病相关死亡的晚期非小细胞肺癌(NSCLC)。 结果:在采用校正进行的心脏病相关死亡生存率研究中,非小细胞肺癌患者接受免疫治疗的生存率明显低于非免疫治疗。 筛选图 ? 结果 由上述筛选标准筛选出538例晚期非小细胞肺癌(非免疫疗法265例,免疫疗法273例)。这些患者的临床统计如表一所示。 文章的立题依在于免疫疗法的不良反应,可以说又是一个分析SEER的新思路! 如需SEER高级定制服务,也可以与小编联系。

    84351

    基于SEER的预测模型这么分析2020年依旧可以发5分+

    方法:从SEER中选择1988年至2015年间确诊为LG-ESS的1172例患者并分为训练组和验证组。 列线图的预测能力使用一致性指(C指)、ROC曲线、校准曲线和决策曲线分析(DCA)进行评估。 结果:共选取7个变量,建立了LG-ESS的列线图。 2、列线图变量筛选 根迭代回归结果,包含年龄、婚姻状况、肿瘤大小、肿瘤分期、化疗、放疗和淋巴结切除术的模型在训练队列中具有最小AIC值。VIF值均< 4,表明筛选变量之间不存在共线性。 3、列线图的构建和验证 根筛选出的变量,我们构建了LG-ESS的列线图。根列线图模型排列的前四个因素是年龄、肿瘤大小、化疗和肿瘤分期。图1显示了一个使用列线图预测给定患者生存概率的例子。 可以说这篇文章的分析思路不是亮点,但选择的疾病即低分级恶性子宫内膜间质肉瘤是前人很少研究的,因此我们在做基于SEER的分析时可以选择一些比较罕见的疾病进行分析,这样才能使得文章有新意、有亮点。

    1.1K30

    4分+基于SEER挖掘原发性肝淋巴瘤的发病率、预后因素和生存结局

    大家好,这次给大家分享一篇2020年5月发表在Front Oncol杂志上的文章,2019年影响因子4.848,仍然是一篇基于SEER的文章,重点研究影响原发性肝淋巴瘤(PHL)预后的临床特征因素 方法:从SEER中获取1983-2015年间确诊的PHL患者。应用joinpoint回归软件评估PHL发病率的时间趋势。 根已确定的独立预后因素构建列线图以预测生存可能性。 根组织学亚型分类的病人临床特征如表2所示。 ? 图1 ? ? 2.生存分析 所有PHL患者的OS和DSS如图2A,B所示。 然后使用C指和校准曲线来评估所建立的列线图的性能。OS和DSS列线图预测的C指分别为0.689和0.667,表明新建立的列线图相当准确。

    76131

    4分+基于SEER挖掘原发性肝淋巴瘤的发病率、预后因素和生存结局

    大家好,这次给大家分享一篇2020年5月发表在Front Oncol杂志上的文章,2019年影响因子4.848,仍然是一篇基于SEER的文章,重点研究影响原发性肝淋巴瘤(PHL)预后的临床特征因素 方法:从SEER中获取1983-2015年间确诊的PHL患者。应用joinpoint回归软件评估PHL发病率的时间趋势。 根已确定的独立预后因素构建列线图以预测生存可能性。 根组织学亚型分类的病人临床特征如表2所示。 ? 图1 ? ? 2.生存分析 所有PHL患者的OS和DSS如图2A,B所示。 然后使用C指和校准曲线来评估所建立的列线图的性能。OS和DSS列线图预测的C指分别为0.689和0.667,表明新建立的列线图相当准确。

    40420

    Facebook用10亿无标注预训练实现SOTA:提出自监督CV新模型

    SEER 是 SElf-supERvised 的缩写,包含 13 亿个参,可以从互联网上的任何一组随机图像中学习,而不需要标记SEER有何创新之处? 与现有的在 ImageNet 集上训练的计算机视觉的自监督模型相比,SEER 是第一个可以随机训练互联网上图像上的完全自监督的计算机视觉模型。 ? 训练 SEER,还需要 VISSL 通用,它一种基于 PyTorch 的全能,用于自监督学习, 该是开源的。 当使用 ImageNet 集中 10% 的进行训练时,SEER 仍然达到 77.9% 的准确率。当只使用 ImageNet 集中 1% 的训练时,SEER 的准确率为 60.5%。 同时这也意味着,Facebook 没有计划分享图像集或 SEER 模型本身。

    24530

    13亿参,无标注预训练实现SOTA:Facebook提出自监督CV新模型

    SEER 是 SElf-supERvised 的缩写,包含 13 亿个参,可以从互联网上的任何一组随机图像中学习,而不需要标记。 ? 与现有的在 ImageNet 集上训练的计算机视觉的自监督模型相比,SEER 是第一个可以随机训练互联网上图像上的完全自监督的计算机视觉模型。 ? 训练 SEER,还需要 VISSL 通用,它一种基于 PyTorch 的全能,用于自监督学习, 该是开源的。 当使用 ImageNet 集中 10% 的进行训练时,SEER 仍然达到 77.9% 的准确率。当只使用 ImageNet 集中 1% 的训练时,SEER 的准确率为 60.5%。 同时这也意味着,Facebook 没有计划分享图像集或 SEER 模型本身。

    27530

    10亿参,10亿张图!Facebook新AI模型SEER实现自监督学习,LeCun大赞最有前途

    而Facebook的最新模型则是通过暴露各部分之间的关系从中来生成标签。 这一步被认为对有朝一日实现人类终极智能至关重要。 ? 新AI模型SEER在革计算机视觉的命? SEER:10亿张图,无需标记,自主训练SEER模型结合了最近的架构家族「RegNet」和在线自我监督训练「SwAV」来规模训练具有10亿参十亿张随机图像。 科研团队对比了SEER在随机IG图像上的预训练和在ImageNET上的预训练,结果表明非监督特性比监督特性平均提高了2%。 为SEER技术添上最后一块砖的是VISSL自我监督学习通用SEER的自我监督模型建立在与VISSL相同的核心工具之上,并结合了PyTorch的自定义加载器,该加载器的吞吐量高于默认值。 用受欢迎的ImageNet10%的集中进行训练时,SEER仍然达到了77.9%的准确率。 当只有1%的集训练时,SEER的准确率是60.5% 。

    20020

    FAIR发布两大更新:PyTorch1.8和一个10亿参自监督模型,自监督也学GPT-3套路?

    研究人员开发了SEER(SElf-supERvised)模型,它具有10亿参,可以从任意随机图像组中学习,而无需标注。 ? 图像,通过在这些上进行预训练,SEER的性能优于当前的SOTA自监督系统(SimCLRv2),在ImageNet上达到了84.2%的top-1准确率。 仅使用ImageNet集中的10%的示例进行微调时,SEER在整个集上仍达到了77.9%的top-1准确率,这表明它是不错的少样本学习器。 如果仅使用带标注的ImageNet示例的1%进行微调,SEER的top-1准确率则为60.5%。 ? 目前,FAIR已经开源了用于开发SEER的VISSL。 RegNet模型属于ConvNet,能够扩展到十亿甚至可能是万亿的参,并且可以进行优化以适应不同的运行时和内存限制。最后,是VISSL使SEER成为了可能。

    19910

    唠一唠,那些喜欢收临床预测模型的杂志

    昨天,给各位介绍了如何基于 SEER 构建一篇临床预测模型文章。 小弟掐指一算,还有一件事得和大家唠唠,那就是:该把临床预测模型的文章投到哪家杂志去呢? 选杂志的工具目前市面上有好几种。 假设,我现在已经写好一篇 SEER 的临床预测模型文章,我现在只想知道近五年收录最多的杂志都是哪些? 这里给大家推荐一个网站——Web of Science。 ? 以下三篇均为近期 SEER 的临床预测模型文章的处理时间。 ? 图片来源:Web of Science ? 图片来源:Web of Science ? 总结: 总的来说,这个杂志对国人还是十分友好的,稿件处理速度也是很快的,Meta 分析、生信分析、基于 SEER 的临床预测模型都喜欢接收。 以下三篇均为近期 SEER 的临床预测模型文章的处理时间。 ? 图片来源:Web of Science 6. 版面费: 略贵。

    56930

    量翻了10倍!Meta AI 祭出100亿参的“新SEER”,为元宇宙铺路

    Meta AI 的团队介绍,他们将 SEER 10B 模型在50+个基准与多个不同未标记集上进行了测试。 经过一年的提升,如今 Meta 的研究团队将 SEER 的参量扩大了10倍,在原有的基础上取得了更出色的性能表现: 除了可以在无标记上直接学习,SEER 还可以提取更高质量的视觉特征,以及发现现实世界大规模图像集中的显著信息 注意:这些集的覆盖范围是全球万亿张随机、未经处理的图像。 悉,扩大了10倍密集参后的 SEER 是当前规模最大的密集计算机视觉模型。 通过在 Gapminder 的 Dollar Street 集(该集收集了世界各地家庭中的物体图像及家庭收入信息)上实验,他们还发现,SEER 10B模型对识别全球中低收入家庭与非西方地区家庭的性能有了大幅提升 而 SEER 10B 在多种不同集中的强大性能为实现突破提供了可能。

    9910

    10亿参的AI模型SEER「一视同仁」:服务富人,也服务全世界

    使用经过挑选和标记的集对人工智能系统进行训练,产生了专门的人工智能模型,擅长对象识别等任务。 初步评估表明,SEER在识别物体方面比传统的计算机视觉系统表现更好,这些物体虽然来自十亿人的生活,但在用于训练人工智能系统的传统图片集中「体现较少」。 从全球各地采集图片「考一考」人工智能 我们在2019年的计算机视觉系统偏差研究中使用了「Dollar Street集」,对SEER进行测试。 Dollar Street集——世界不同国家和地区不同收入的家庭 例如下面这张来自尼泊尔一个家庭的图,SEER的识别结果是:调料、药、碗、水果、社交饮酒 监督学习模型的识别结果是:清洗设备、厨房洗涤盆 SEER能够在上述例子中更好地进行物体识别,这是另一个令人兴奋的结果,因为该模型是在没有任何整理的情况下在随机的互联网图像上训练的。

    16820

    不一样的Nomogram,关于网页计算器的一切!

    今天为大家分享一篇2019年12月发表在Lung Cancer(中科院分区二区, IF=4.6)上的基于SEER的nomogram文章。 ) database 标题:手术在非典型支气管肺类癌中的作用:基于SEER建立并验证一项模型 一、文章整体概览 ? 二、主要结果概述 1.预后因素筛选(略有不同,对小样本研究课题可模仿) 利用SEER获取507例患者基本信息,建立训练集。 多因素COX回归结果 2.建立并验证非典型支气管肺类癌患者预后Nomogram 基于与OS独立相关的预后因素,患者利用SEER的464例患者建立了预测非典型支气管肺类癌患者的预后Nomogram( 这里主要介绍DynNom函和DNbuilder函。利用survival包中自带的lung来操作演示。

    3.1K41

    业界 | 机器人温柔而忐忑的眼神,你挡得住么?

    文摘出品 编译:小七、茶西、蒋宝尚 僵硬的面部表情和机械的客服语音一直是机器人两大“代名词”类诟病。 (到时候你可以试试对它放电哟,看看它如何回应你☺☺☺) 模仿表情和眼神交流听起来好像没什么,但是执行起来却相当复杂,尽管有一些小问题,SEER还是做到了。 ? 其实,SEER使用了面部捕捉技术,可通过使用特定设备捕捉人的面部表情上的捕捉点,然后将捕捉经软件处理后,将匹配到虚拟脸部,使得动画人物或影视人物的表情模拟真实的人物表情。 在模仿模式中,SEER可以镜像复制观众的眉眼以及头部的位置。但它并非完美无缺,这个机器人偶尔会因为面部噪音的影响出现古怪情况,例如震动等。 所以,SEER机器人算是非常大的进步了。它的系统能够让机器人自己移动,并与距离最近的人进行不间断的眼神交流。其实,在这个模式里,你会非常惊奇的偶然感受到,你与机器人产生了共鸣。

    18220

    周末学不动了,推荐五款小众实用的工具,请查收(内有大波妹福利)

    三、文件预览:Seer Seer 是一款优秀的Windows 下的文件预览工具,可以无需打开图片、音乐、视频、压缩包等文件就能预览到内容,只需点一下空格,小巧方便。 安装运行 Seer 后,就常驻后台不用管了。 整个电脑简直成了即查即用的超大素材。 使用前只需右击鼠标进入“模式”管理,根需要建立几个自动整理规则即可(可按文件后缀、文件名整理,如图所示)。 使用时直接将待整理文件拖拽到 Droplt 的悬浮窗,这时软件便会自动对文件执行分发。 当然除此之外,Droplt 还提供了很多细化选项,比如是否将 Droplt 整合进“发送到”菜单,发送时到底是复制还是剪切等等,只要根需要自行选择即可。

    23530

    双周动态|中国联通、中国电信共享4G基站达66万站;Meta AI推出百亿参SEER;微软亚洲研究院拟以自然语言创造视觉内容

    显示,2021年,中国联通与中国电信紧密合作,4G共享规模进一步突破,共享4G基站达到66万站。 2021年,中国联通以5G等新型字信息基础设施建设为契机,持续深入推动共建共享。 Meta AI 祭出100亿参的“新SEER”,为元宇宙铺路 近日,MetaAI宣布旗下自监督模型SEER取得最新突破,模型量达到100亿,为去年的10倍。 相比于监督模型,最新的SEER除了可以在无标记上直接学习,还可以提取更高质量的视觉特征,以及发现现实世界大规模图像集中的显著信息,方式与人类分析所用方法相似。 研究人员表示,他们将新的SEER 模型在50+个基准与多个不同未标记集上进行了测试。 技术方面,NÜWA 模型提出了一种全新的 3D 编码器-解码器框架,还引入了三维稀疏注意力机制来应对 3D 的特性,测试中,NÜWA 覆盖了11个集和11种评估指标。

    11450

    架构师推荐:提高90%开发效率的工具推荐

    其次,这个工具还有另一个很有用的功能.比如我们有这么个场景,我们查JavaSE文档的时候是不是经常遇到这么个问题,就是我们想查某个方法,但是却要知道它在哪个类才能查,而不能根这个方法直接去查.但是现实中 2.2 黑色背景设置 配色这个你可以根自己的喜好来,比如我这里用的是RGB(62,61,63) ? 设置好颜色之后,你可以把他添加到喜爱的 2.3 组合图形 ? Seer 是一款优秀的Windows 下的文件预览工具,可以无需打开图片、音乐、视频、压缩包等文件就能预览到内容,只需点一下空格,小巧方便。 安装运行 Seer 后,就常驻后台不用管了。这时用鼠标选中一个文件,点一下空格,预览就出现了,比如这样: ? Enter) 其他工具 Postman 是一款Chrome插件,调试restful api的神器,比较喜欢的是他的书签功能. jsonView 是一款Chrome插件,请求json时,能将返回的json格式化

    30420

    预测早期胃癌患者淋巴结转移的列线图(IF=6.381)

    在大量的生信文章中,上游下游分析不胜。而这一套路在临床文章中却较为少见。今天,我们和大家一起来阅读一篇2020年发表在《Endoscopy》(IF=6.381)上的一篇文章。 好像除了样本量大一点和多中心研究,并且纳入指标比SEER还少。本文貌似没有什么特殊的地方。就这点Novelty,还是不够的。 根Nomogram预测,在10579患者中,2726位患者为淋巴结转移风险≤2%,而这一组患者的实际转移率为1.02%。 五位的训练队列及4位的验证队列,除了多中心和SEER这种肿瘤,几乎不敢想象。最后,对Nomogram的实际应用价值进行了深入分析,笔者认为这是本文最值得学习的地方。 纵观本文,并不是一项常规的Nomogram文章,因为文章仅简要叙述了Nomogram和Calibration curve,并没有通过各种各样的比较图形和来证明Nomogram的性能。

    59220

    相关产品

    • 云数据库 Redis

      云数据库 Redis

      云数据库 Redis,数据库缓存,数据库存储,云数据库 云数据库 Redis(TencentDB for Redis)是腾讯云打造的兼容 Redis 协议的缓存和存储服务。丰富的数据结构能帮助您完成不同类型的业务场景开发。支持主从热备,提供自动容灾切换、数据备份、故障迁移、实例监控、在线扩容、数据回档等全套的数据库服务。 云数据库Redis是腾讯云打造的兼容 Redis 协议的缓存和存储服务。丰富的数据结构能帮助您完成不同类型的业务场景开发。支持主从热备,提供自动容灾切换、数据备份、故障迁移、实例监控、在线扩容、数据回档等全套的数据库服务。

    相关资讯

    热门标签

    扫码关注云+社区

    领取腾讯云代金券