方法:从SEER数据库中选择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数(C指数)、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。...在单变量回归分析中，八个变量(年龄、婚姻状况、肿瘤大小、肿瘤分期、手术类型、化疗、放疗和淋巴结清扫)与OS显著相关。...在多变量Cox回归分析中，年龄、婚姻状况、肿瘤大小、肿瘤分期、化疗和淋巴结清扫被确定为LG-ESS的独立预后因素(表2)。 ?...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数据库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。
Nomograms for Predicting Cancer-Specific and Overall Survival Among Patients With Endometrial Carcinoma: A SEER...同样是基于seer数据库的数据，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数据库中提取1988年至2015年间63729例子宫内膜癌患者的数据。...在CSS的单变量Cox回归分析中，除年龄在55-61岁之间外，其他变量均显著相关（P<0.05）。在OS的单变量Cox回归中，所有变量均具有显著意义（P<0.05）（表2）。...在OS的多变量Cox回归分析中，除手术期的局部和远处外，所有其他变量都有意义（P<0.05）（表3）。 ? ? ? 2....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，即首先将数据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！
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数据库的一篇预测模型，于2019年11月发表在Annals of Translational Medicine（IF=3.689）上。...数据库2004年-2015年的胃癌患者数据，纳入549例资料详细的年龄＜45岁的患者。...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数据库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。...在OS的生存分析中，我们发现肿瘤位置在单因素COX分析的P为0.062，而在多因素中却表现出P<0.05。 此外，对于X-tile这个软件可能很多人也很陌生。
大家好，我们前几天给大家推送过利用SEER数据库数据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数据库，重点研究早期子宫乳头状浆液性癌。...基于竞争风险回归模型的生存分析 单因素分析中，年龄≥67岁的患者CSD和非CSD的累积发病率高于年龄<67的患者（图2A）。IB/II期UPSC患者的CSD累积发生率高于IA期UPSC患者（图2B）。...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数据库的早期子宫乳头状浆液性癌患者的临床特征数据进行研究，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数据库发表的文章有很多，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！
假设，我现在已经写好一篇 SEER 数据库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。 ?...Meta 分析、生信分析、SEER 数据库文章都有接收。 以下是杂志官网网址： https://www.frontiersin.org/journals/oncology 2....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 数据库的临床预测模型都喜欢接收。...对于 meta 分析、生信分析、SEER 数据库文章都是十分友好的。 以下是杂志官网网址： https://onlinelibrary.wiley.com/journal/20457634 2....以下三篇均为近期 SEER 数据库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。
文章根据SEER数据库的晚期非小细胞肺癌患者数据，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数据库根据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)。...在非小细胞肺癌相关免疫治疗的多变量分析中，组织学分类显示出非鳞状细胞类型比鳞状细胞类型具有更低的OS。结果证明了非小细胞肺癌在免疫治疗中的生存率更高。...图1 在非免疫疗法和免疫疗法变量之间的非小细胞肺癌OS差异的生存分析中，年龄较大和三至四级组织分级的中位OS差异显著。...文章的立题依据在于免疫疗法的不良反应，可以说又是一个分析SEER数据库的新思路！ 如需SEER数据库高级定制服务，也可以与小编联系。
前几天FAIR发了一个新的图像预训练模型 SEER，看完论文之后我不禁感叹，不仅我企图往多模态卷，Facebook自己也卷起来了。 为什么说卷呢？...Wild 下载地址：https://arxiv.org/pdf/2103.01988.pdf 代码地址：https://github.com/facebookresearch/vissl 训练数据 SEER
作者 | 陈彩娴 编辑 | 岑峰 不久前，Meta AI 宣称，其于去年3月提出的10亿参数自监督模型 SEER （SElf-supERvised）又取得了新突破：新的 SEER 参数量翻了10倍，达到了...以下我们暂且称新的 SEER 模型为“SEER 10B”（一个牛逼不足以形容 Meta AI 在行动上落实自监督的野心，手动狗头）。...其中，SEER 10B 不仅在 ImageNet 上取得了高达 85.8% 的准确率（排名第一），与原先只有 10 亿参数量的 SEER （84.2%）相比性能提升了 1.6%。...参数量翻了10倍的 SEER 模型又有哪些新花样？...，方式与人类分析所观察事物之间的关系的方式来了解世界般相似。
无需标签，自我分析数据！ Facebook的新AI模型在革计算机视觉的命？...SEER：10亿张图，无需标记，自主训练数据集 SEER模型结合了最近的架构家族「RegNet」和在线自我监督训练「SwAV」来规模训练数具有10亿参数的数十亿张随机图像。...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自我监督学习通用库。...自监督学习的未来 Facebook 表示，SEER在预先训练了10亿张公开的Instagram图片后，性能优于最先进的自监督模型。 SEER在目标检测分析、分割和图像分类等任务上也取得了最佳结果。...用受欢迎的ImageNet10%的数据集中进行训练时，SEER仍然达到了77.9%的准确率。 当只有1%的数据集训练时，SEER的准确率是60.5% 。
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数据库的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数据库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数据库获取507例患者基本信息，建立训练集。...在507例患者基础上，研究人员进行了单因素COX回归分析，结果表明11项变量与非典型支气管肺类癌预后相关（图2）。随后，研究人员又排除了43例患者（图3）。...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数据库的464例患者建立了预测非典型支气管肺类癌患者的预后Nomogram（
图片 常用学习网站 R-blogger https://www.r-bloggers.com/ Python-bloggers https://python-bloggers.com/ 统计分析方法 *...OR(95%CI) * 生存分析 Survival Analysis with R http://www.drizopoulos.com/courses/emc/ep03_%20survival%20analysis...www.pexels.com/ * Macbook 预览插件 http://www.quicklookplugins.com/ 系统程序设置 * vscode code-runner配置python虚拟环境解释器： 数据库...cancergenome.nih.gov/ * 世界人口数据 https://www.worldometers.info/world-population/population-by-country/ * SEER...https://seer.cancer.gov/data/ 书籍 基础篇 * Bookdown 谢益辉 https://bookdown.org/yihui/bookdown/rstudio-connect.html
在科研课题中，上游下游分析是耳熟能详是词汇。近年来，生物信息学技术的崛起给各大组学的分析注入了更为新鲜的活力。在生信分析中，上游下游分析是十分常见的。举个例子理解一下上游和下游。...在mRNA为基础的分析中，调控mRNA的理解为上游（如转录因子调节转录），被mRNA影响的则成为下游（如转录、翻译）。在大量的生信文章中，上游下游分析数不胜数。而这一套路在临床文章中却较为少见。...好像除了样本量大一点和多中心研究，并且纳入指标比SEER数据库还少。本文貌似没有什么特殊的地方。就这点Novelty，还是不够的。...五位数的训练队列及4位数的验证队列，除了多中心和SEER这种肿瘤数据库，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。...本研究重点对低风险患者进行了深入分析，结果表明此类患者接受胃切除术后受益并没有显著提升。
作者 | 青暮 今天，FAIR发布了两项重要更新，分别是PyTorch 1.8以及10亿参数自监督模型SEER。...此外，SEER在下游任务（包括少样本、目标检测、目标分割和图像分类）上也有不错的表现。 ?...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库。...FAIR表示，他们在SEER中终于使这种思路成为可能。 SEER将最新的架构家族RegNet与在线自监督训练相结合，以将预训练扩展到数十亿个随机图像和十亿个参数。 ?...最后，是VISSL库使SEER成为了可能。
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数据库的文章，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数据库中获取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。...单因素cox分析显示白人（图5C，6C）和已婚（图5D，6D）患者预后较好。...首先，作者进行单因素和多因素Cox回归分析，分别确定OS和DSS的独立预测因子。单因素和多因素分析结果如表4所示。单因素分析显示，年龄、婚姻状况、手术和化疗与OS有关。...在单因素Cox回归分析中得出的这些显著因素随后被纳入多变量分析。多因素分析显示年龄、婚姻状况和化疗是OS的独立预后因素。至于DSS，年龄被排除在外，而婚姻状况和化疗仍然是重要的指标。
数据库模型分析的思路，主要点 例如 ： 注意 ：1 分析 一定要建立在一定的业务逻辑基础之上 2 注意 非空字段 和 外键 字段
这是我们对SEER感到兴奋的原因之一，SEER是我们开发的一种新的高性能计算机视觉系统。 通过利用自监督学习，SEER可以从任何数字图片集中学习，而不需要研究人员来挑选和标记每个对象。...我们希望利用SEER使人工智能更好地为每个人服务，而不仅仅是那些一直以来受益最多的群体。...SEER给出的结果令人兴奋，自监督学习让人工智能更好地为世界各地的人服务。 ?...、展示物品、碗、水果、炊具、锅 所以，SEER正确地识别了图片中的物体，而传统的系统则没有。...图源：Facebook AI Blog 下面这张图来自一个中国家庭，SEER的识别结果是：炊具、炉子、锅、工具 监督学习模型的识别结果是：前门上的锁、电源开关、炊具、挂钟、炉灶 所以，SEER 正确地识别出了一个炉子
在开发 SEER 的过程中，Facebook 采用了一种称为 SwAV 的算法。...SEER 模型架构的简化示意图。...当使用 ImageNet 数据集中 10% 的数据进行训练时，SEER 仍然达到 77.9% 的准确率。当只使用 ImageNet 数据集中 1% 的数据训练时，SEER 的准确率为 60.5%。...，同时包括 SEER。...同时这也意味着，Facebook 没有计划分享图像数据集或 SEER 模型本身。
SEER 是 SElf-supERvised 的缩写，包含 13 亿个参数，可以从互联网上的任何一组随机图像中学习，而不需要标记数据。 SEER有何创新之处？...在开发 SEER 的过程中，Facebook 采用了一种称为 SwAV 的算法。...SEER 模型架构的简化示意图。...当使用 ImageNet 数据集中 10% 的数据进行训练时，SEER 仍然达到 77.9% 的准确率。当只使用 ImageNet 数据集中 1% 的数据训练时，SEER 的准确率为 60.5%。...，同时包括 SEER。
本文介绍生存分析，其实，在R中，生存分析很简单，大家在网上能找到无数的文章。利用survival包就可以。就是按照下列公式就可以完成简单的生存分析。...fit <- survfit(Surv(生存时间, 生存状态) ~ 分组, data=数据框) 我们这里就结合基因的表达量，来进行分析。 首先加载我们的数据。...得到上面这样的数据后，我们就可以按照刚刚的公式进行生存分析了： ######################### 生存分析 library(survival) library(survminer)...如果我们要一次批量分析很多基因的高低表达与生存的关系，写一个循环，批量绘图了。...尽管本文是介绍基因表达量的生存分析，但其他的也是一样，就看你怎么分组，比如我们前面介绍SNP的数据处理后，能否做某基因突变与野生型的生存分析呢？其实都是一样的道理，其他的也是一样。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
