孙铭
- 作品数：2 被引量：3H指数：1
- 供职机构：首都医科大学生物医学工程学院更多>>
- 发文基金：北京市教育委员会科技发展计划更多>>
- 相关领域：医药卫生更多>>
- 基于时间序列特征的顿挫期圆锥角膜诊断模型
- 2025年
- 目的 基于可视化角膜生物力学分析仪(corneal visualization scheimpflug technology,Corvis ST)的测试数据,探索将包含时间序列的角膜曲率数据用于构建顿挫期圆锥角膜(forme fruste keratoconus,FFKC)诊断模型的可行性。方法 纳入FFKC患者88例(88眼),选择同数量拟行角膜屈光手术患者作为正常对照。利用Corvis ST测试输出的140帧角膜前/后表面的轮廓数据,构建时间序列角膜曲率数据集。分别利用随机森林(random forest,RF)方法和长短期记忆-注意力模型(long short-term memory-attention,LSTM-Attention)构建FFKC分类器,用五折交叉验证对模型进行验证。结果 RF模型的结果显示,将140帧角膜曲率数据作为输入指标构建诊断模型的AUC值仅为0.69;而将特定帧时提取的曲率指标和Corvis ST输出的角膜动力学响应(dynamic corneal response,DCR)参数联合可有效地提升FFKC诊断模型的效率(AUC值最大为0.81)。相较于RF方法,基于时间序列的角膜曲率数据集构建的LSTM-Attention模型的诊断效率可进一步提升(AUC值为0.87)。若将角膜前表面和后表面轮廓的时间序列曲率数据集分别作为模型输入时,模型的AUC值分别为0.82和0.84。结论 利用包含时间序列的角膜曲率数据集构建FFKC诊断模型具有可行性,且LSTM-Attention模型可有效地提升模型的诊断效率。
- 孙铭李林张海霞
- 关键词：曲率时间序列
- 基于支持向量机的肝纤维化CT图像分类被引量：3
- 2007年
- 基于统计学习理论中结构风险最小化原则的支持向量机是易于小样本的机器学习方法。本文使用支持向量机和二叉树的方法对肝纤维化CT图像进行分类,并与k近邻法和BP神经网络等其它算法进行比较,结果显示对于肝纤维化图像,支持向量机的分类效果和鲁棒性要高于其他两种算法。
- 李宁孙铭王磊刘兴龙童隆正
- 关键词：肝纤维化CT图像支持向量机最优分类超平面二叉树
