基于GMM-RBF神经网络的前列腺癌诊断方法

 前列腺癌是近年来发病率上升速度最快的男性癌症，严重威胁着患者的身体健康，准确地判断癌症患者的患病情况对于节约医疗资源、提高患者满意度起着至关重要的作用。近年来，基于数据挖掘的癌症诊断方法逐渐成为疾病诊断领域的研究热点，在提高诊断准确性上显示出极大优势。        针对现有前列腺癌早期诊断方法准确性不高的问题，提出一种基于高斯混合模型改进径向基函数神经网络的前列腺癌诊断方法--GMM-RBF神经网络方法。该方法通过使用高斯混合模型对径向基函数神经网络中径向基函数的参数进行预训练，使模型避免陷入局部最优，之后采用改进的粒子群优化算法对神经网络进行训练。采用国家临床医学科学数据中心提供的数据进行前列腺癌诊断实验，将所提出的方法与径向基神经网络、分类回归树、支持向量机和逻辑回归等主流的机器学习算法进行对比，并使用准确性、特异性、敏感性和AUC值对模型的性能进行评价。        研究结果表明，与改进前的神经网络模型相比，GMM-RBF神经网络模型收敛速度更快、初始准确度更高；与其它机器学习算法相比，GMM-RBF神经网络模型在10折交叉验证中取得了较高的准确性、敏感性、特异性和AUC值。        GMM-RBF神经网络方法在模型预测精度上比传统的径向基函数神经网络模型有很大提升，能够得到更为可靠的前列腺癌诊断结果，为医疗工作者初步诊断前列腺癌和穿刺活检操作提供有效的辅助决策支持，该方法的提出对于减少患者痛苦、提高患者满意度和节约医疗资源具有实际意义。     

改进随机森林的集成分类方法预测结直肠癌存活性

 癌症是人类死亡的主要原因之一，许多国家在癌症方面的支出占医疗总支出的很大比例。癌症存活性预测作为癌症预后的一项重要工作，可以辅助医生做出更精准的诊疗决策，进而降低癌症治疗成本。近年来，基于数据驱动的癌症存活性预测方法逐渐得到应用，而预测的准确性是评价预测方法性能的主要指标，因此提高癌症存活性预测方法的准确性一直是一个活跃的研究领域。        结直肠癌是一种具有高发病率和高死亡率的癌症，为了提高结直肠癌存活性预测的准确性，利用遗传算法对随机森林进行改进，提出基于GA-RF的集成分类方法。该方法通过遗传算法对随机森林中的决策树实行进化搜索，以提高集成分类准确率为目标选出决策树的满意集成。实验分别使用基于GA-RF的集成分类方法、决策树和参数优化的随机森林训练预测模型预测结直肠癌患者的存活性，利用SEER数据库的结直肠癌数据集对3种方法分别进行10折交叉验证，然后用准确性、敏感性和特异性3个指标对它们进行评价。        实验结果显示，基于GA-RF的集成分类方法的预测精度最高(88.2%)，参数优化的随机森林的预测精度次之(86.4%)，但集成复杂度远高于基于GA-RF的集成分类方法，决策树的预测精度最差(74.2%)，而基于GA-RF的集成分类方法还表现出了最好的泛化性能。        该集成分类方法对随机森林进行了有效的改进，能以更高的运算效率和更好的准确性预测结直肠癌存活性，可以为结直肠癌的预后提供决策参考，弥补经验预测的不足，该方法的提出对节约医疗资源、降低医疗成本、提高患者满意度具有实际意义。     

高职院校多校区办学模式下学生干部队伍建设的思考

近年来,随着高等职业教育迅猛发展,多校区办学成为高职院校发展的新趋势,多校区的办学特点不仅给高职教育带来了发展机遇,也给学生思想政治工作带来了巨大挑战。本文分析多校区学生干部队伍建设的困难和挑战,从建立科学管理体制、规范选拔机制、完善培训体系、加强新媒体建设等方面着手,进一步加强跨校区学生干部队伍建设,为高职院校学生工作提供新的思路。