提出一种基于机器视觉的大麦草自动测量模型,该模型通过智能手机采集图像,结合机器视觉算法,实现对大麦草株高、生长状态和健康度的实时、无损检测与评估。研究采用YOLO(you only look once)系列深度学习模型进行植株目标检测,结合随机...提出一种基于机器视觉的大麦草自动测量模型,该模型通过智能手机采集图像,结合机器视觉算法,实现对大麦草株高、生长状态和健康度的实时、无损检测与评估。研究采用YOLO(you only look once)系列深度学习模型进行植株目标检测,结合随机森林回归算法建立作物生长参数预测模型,并提取植物形态学特征和色彩特征以评估生长阶段与健康状况,同时讨论了智能手机在植物表型监测中的应用优势与局限性。实验结果表明,基于YOLOv11与随机森林算法的组合模型,在植物工厂环境下对大麦草株高的预测性能中,决定系数R^(2)达0.927,平均绝对误差为0.707 cm,显著优于其他方法。该模型为大麦育种、表型组学研究和精准农业管理提供了灵活、高效、准确的植物生长监测工具,对推动农业生产智能化和大麦作物改良具有重要理论与应用价值。展开更多
目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Result...目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果训练队列9730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95%CI:0.80~0.90)、0.82(95%CI:0.77~0.89)、0.80(95%CI:0.73~0.87),在外部验证队列中分别为0.83(95%CI:0.78~0.87)、0.79(95%CI:0.74~0.83)、0.72(95%CI:0.67~0.77)。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001)。结论基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。展开更多
文摘提出一种基于机器视觉的大麦草自动测量模型,该模型通过智能手机采集图像,结合机器视觉算法,实现对大麦草株高、生长状态和健康度的实时、无损检测与评估。研究采用YOLO(you only look once)系列深度学习模型进行植株目标检测,结合随机森林回归算法建立作物生长参数预测模型,并提取植物形态学特征和色彩特征以评估生长阶段与健康状况,同时讨论了智能手机在植物表型监测中的应用优势与局限性。实验结果表明,基于YOLOv11与随机森林算法的组合模型,在植物工厂环境下对大麦草株高的预测性能中,决定系数R^(2)达0.927,平均绝对误差为0.707 cm,显著优于其他方法。该模型为大麦育种、表型组学研究和精准农业管理提供了灵活、高效、准确的植物生长监测工具,对推动农业生产智能化和大麦作物改良具有重要理论与应用价值。
文摘目的基于深度学习算法开发和验证可评估肝细胞癌(hepatocellular carcinoma,HCC)患者预后的预测模型,并评估其价值。方法选择2011年1月—2015年12月美国国立癌症研究所的监测、流行病学和最终结果(Surveillance,Epidemiology and Results,SEER)数据库中经病理确诊的HCC患者为训练队列用于构建模型,选择同期在本院经病理确诊的HCC患者为外部验证队列用于评估模型。主要预测结局为1、3、5年总生存率。分别使用深度学习算法DeepSurv、随机生存森林(RFS)、Cox比例风险回归开发模型,使用C-index评价模型的区分度,一致性曲线评估模型的校准度,log-rank检验评估危险分层能力。结果训练队列9730例患者和外部验证队列405例患者被纳入分析。在训练队列中,DeepSurv算法1、3、5年的C-index分别为0.85(95%CI:0.80~0.90)、0.82(95%CI:0.77~0.89)、0.80(95%CI:0.73~0.87),在外部验证队列中分别为0.83(95%CI:0.78~0.87)、0.79(95%CI:0.74~0.83)、0.72(95%CI:0.67~0.77)。无论在训练队列还是外部验证队列中,DeepSurv算法的C-index和校准度均优于RFS、Cox回归和TNM分期(均P<0.05);log-rank检验显示,DeepSurv算法具有良好的危险分层能力(P<0.001)。结论基于深度学习算法DeepSurv开发的预测模型可有效预测HCC患者死亡率,且优于常规的算法和预后评价指标。
