关键词： 原发性肝癌   肝细胞癌   机器学习   术中出血   逻辑回归算法   TACE   无复发生存期  

摘要： 原发性肝癌包括肝细胞癌、肝内胆管细胞癌,以及其它不常见的肿瘤,如混合型纤维板层性肝细胞癌。它是世界范围内最常见的的恶性肿瘤疾病之一,每年的新发病例及死亡病例都在攀升,像其它消化道肿瘤一样,这类肿瘤的特点具有起病隐匿、恶性程度高、侵袭转移快、生存期短,给社会和个人家庭都造成了经济负担及心理压力。肝切除术是目前所知原发性肝癌唯一可能治愈的治疗方法。尽管外科技术进步了,但这些手术在实施过程中出现大量失血的概率依然存在,而这是导致患者围手术期并发症及死亡率升高的重要因素。 目前越来越多的人工智能(AI)技术在医学领域应用,其中以机器学习算法最为突出。它通过利用大数据快速准确的诊断疾病或预测疾病治疗效果等被临床医生广泛应用。在本研究中,收集了大量与原发性肝癌患者术前、术中及术后辅助治疗相关的临床数据等一般基线资料并对患者进行长时间随访,研究了肝细胞癌根治术后行经肝动脉化疗栓塞术(TACE)患者的无疾病生存期等预后情况,进而利用机器学习多种模型算法同时依靠临床数据来预测原发性肝癌患者术中大出血情况,最后对其中较为可靠的模型算法进一步研究并验证其可靠性,为个体化治疗提供证据支持。 第一部分 经肝动脉介入治疗在预防肝细胞癌术后复发中的作用 目的:本部分收集了河北医科大学第四医院肝胆外科近年来对单纯行肝细胞癌根治术患者和根治术加TACE辅助治疗患者的临床资料,研究两组患者术后无复发时间、复发相关影响因素及辅助治疗的毒副反应,分析肝细胞癌患者术后行介入治疗的条件、必要性及应用价值,为患者的综合治疗提供更多的思路,也为规范肝细胞癌患者术后的辅助治疗提供更多有价值的参考依据。 方法:回顾性分析2018年5月-2020年5月行肝细胞癌根治性手术的285例患者资料,患者被分为研究组(手术+TACE)135例和观察组(单纯手术)123例。主要终点是无复发生存期(RFS);次要终点是安全性。采用多变量COX风险回归模型确定肝细胞癌根治术后辅助TACE治疗对患者预后的影响。 结果:两组患者3年无复发生存率结果显示具有统计学差异。结果提示:单纯手术组(观察组)无复发生存期中位数为13个月,手术+介入组(研究组)无复发生存期中位数为20个月。单纯手术组(观察组)复发率为67.5%(83/123),手术+介入组(研究组)复发率为51.%(69/135),P<0.05。单因素分析中具有统计学意义(P<0.05)的六项因素:年龄、吸烟、BCLC分级、主病灶直径大小、卫星结节、有无TACE,纳入COX风险回归模型进行多因素分析,结果显示年龄、吸烟、主病灶直径大小、卫星结节、有无TACE,为肝细胞癌患者术后复发的独立危险因素(P<0.05)。手术后辅助TACE的患者对治疗过程及药物反应耐受性良好,被认为与此治疗相关的最显著毒副反应是恶心呕吐(45.%)和短暂的肝损伤。 小结:肝细胞癌根治术后辅助介入治疗,可有效的降低术后复发率,延长患者无复发生存时间。年龄、吸烟、主病灶直径大小、卫星结节、有无TACE均为影响肝细胞癌患者术后复发的独立因素。术后辅助介入治疗方式是安全有效的。 第二部分基于机器学习算法的原发性肝癌患者术中大量出血预测模型的研究比较 目的:目前手术治疗仍然是原发性肝癌患者治疗的唯一根治性选择。由于肝脏器官的特殊性,在肝脏手术过程中失血成为手术过程中的主要限制因素。但目前缺乏此类患者术中出血情况分析的预测模型。本研究旨在以五种机器学习算法尝试模型的建立:Logist回归算法、K-近邻算法、决策树算法、随机森林算法、朴素贝叶斯算法,目的是从中选出一种最为有效、可靠的算法来建立原发性肝癌患者术中大量出血的预测模型。 方法:收集河北医科大学第四医院肝胆外科2016年5月-2020年5月行原发性肝癌根治性手术的465例患者资料,其中人口统计学参数包括性别、年龄等;实验室参数包括血红蛋白、血小板计数、丙氨酸转氨酶、总胆红素、直接胆红素、非结合胆红素、甲胎蛋白、癌胚抗原等;肿瘤特征包括病理分型、病灶数量等;并存病包括乙肝、肝硬化、腹水等共30项指标。根据出血情况分为两组,并按照7:3的比例分为训练集和测试集,之后比较Logist回归算法(LR)、K-近邻算法(KNN)、决策树算法(Tree)、随机森林算法(RF)、朴素贝叶斯算法(NB)五种不同模型的效能。 结果:研究共收集30种变量,将认为其中与术中大出血相关的25种标量纳入单因素分析,单因素分析结果中P<0.2纳入多因素分析,将P<0.05的纳入机器模型,发现其中的四个变量可作为预测原发肝癌患者术中大量出血的因素。这个四个变量为:腹水(OR值22.839,P值0.05)、饮酒史(OR 值 2.950,P 值0.015)、TNM分期(OR值2.441,P值<0.001)、ALBI评分(OR值2.361,P

关键词： 盾构施工   沉降预测   数值模拟   支持向量回归   沉降预先控制  

摘要： 在新型城镇化进程推进中,地下空间开发能有效缓解城市平面化布局所衍生的问题,以地铁为主导的地下轨道交通正快速发展。盾构施工被广泛应用于地下工程建设中,但常规盾构施工的沉降控制处理措施存在滞后效性。越来越多研究表明,盾构施工中地质参数、掘进参数等与沉降变形存在密切关联,如何通过盾构参数的优化调整实现沉降预先控制,有待提出更加高效科学的解决方法。 本文依托横向项目“地铁施工近距离穿越叠加既有线结构稳定性控制关键技术研究”,结合长春地铁6号线下穿飞跃路盾构实际工程与仿真模拟,融合盾构掘进参数、外部地质环境与道路沉降等信息,采用机器学习方法进行盾构下穿既有道路沉降预测,深入挖掘参数间交互关系并根据混合算法进行优化,实现盾构沉降预先控制。本文工作内容如下: (1)进行实际工程中盾构平行下穿既有道路的数值模拟,结合实际监测共同分析盾构施工引起地表沉降的变形特征及规律。结果表明,盾构沉降发展延伸的分布特征符合地层变形理论,监测数据与模拟结果吻合较好,最大沉降值分别为7.413与5.741mm,均在规范要求范围内。 (2)依据数值仿真模型,通过控制变量方法探讨各因素对地表沉降的影响,发现隧道埋深、轴心距、弹性模量、粘聚力、内摩擦角、静止侧压力系数、土仓压力、同步注浆量与注浆压力等因素都会对盾构施工沉降产生一定量影响,为后续参数选取提供理论参考依据。 (3)提出改进粒子群优化支持向量回归(IPSO-SVR)预测模型,以几何、地质与掘进参数等为自变量输入,对盾构下穿既有道路的最大沉降进行预测。IPSO-SVR预测效果与稳定性最佳,拟合决定系数为0.790,平均相对误差为5.22%,其他对比模型保持在15%以内,说明基于数据挖掘的机器学习方法能够反映出盾构施工中沉降影响规律。结合全局敏感性分析探究参数的交互效应与敏感程度,为盾构掘进参数优化方法的建立提供研究基础。 (4)提出基于寻优与反演预测的盾构掘进参数优化方法,在不破化参数间交互关系的基础上进行优化调整,优化结果与实际监测值相比平均减小0.599mm,达到11.03%。开发盾构掘进参数优化系统(SPOS)的交互式界面,并在实际工程中得到验证。该方法能够有效降低实际工程中盾构施工所带来的沉降风险,为盾构沉降控制提供了新的解决方案。

关键词： 高熵合金   机器学习   特征选择   数据增强   模型解释  

摘要： 高熵合金凭借着其高强度、高硬度、优异的耐腐蚀性和热稳定性、良好的抗疲劳强度及断裂强度、强耐辐射性等优异的性能,被广泛应用于国防、航空、航天等多个关键领域。然而,依靠“经验试错法”对高熵合金其巨大的组成空间进行探究是不理想的。随着科学技术和社会环境的迅速发展,基于数据驱动的新型范式深受研究者的关注,通过高效的分析和处理大量数据,快速发现规律和趋势,以辅助或指导高熵合金的设计和搜索,大大提高了高熵合金研究过程中的效率。本文基于数据驱动的机器学习技术,从高熵合金的相结构分类、非晶形成能力、力学性能(硬度、强度)、以及磁性性能(饱和磁通量密度)等方向进行研究,旨在提供相关理论方向和设计方案。主要内容如下: 第一,构建相关数据集。我们从同行评审文章和以往公开的数据集中收集了相关数据,经过数据清洗、过滤,汇编了多个涵盖高熵合金众多研究方向的数据集,其中包含高熵合金相结构数据集、高熵金属玻璃形成能力数据集、硬度和屈服强度数据集。第二,设计特征选择方法从庞大的特征集中筛选出较为优异的特征集。我们将多种特征选择方法模块化的结合,从而设计出的三步或三代特征选择方法在特征降维、最佳特征筛选中具有强大的作用。此外,探讨了以元素比例驱动的机器学习模型在准确率、模型维度、可解释性、稳健性等方面优劣势。第三,处理数据集分布不平衡问题。探究了优异的机器学习算法、强大的过采样技术、特殊的非线性变换对于数据集分布不平衡问题的效应。第四,构建可解释性机器学习模型。在多种机器学习算法、多个特征集、十折交叉验证、网格搜索、数据增强等技术下,我们分别开发了用于高熵合金相结构分类、用于设计具有更高玻璃形成能力的高熵金属玻璃、用于设计具有更高硬度和强度的高熵合金、用于设计具有更高磁通量密度的高熵金属玻璃等可解释性机器学习模型。第五,制定了相关临界规则。在可解释性机器学习的运用下,我们解释了相关特征对于机器学习模型的影响,并在此基础上对高熵合金的多方面设计了相关临界规则,以指导或帮助研究者开发具有更加优异性能的高熵合金或高熵金属玻璃。

关键词： 线上教育   线上课程学习数据   学生成绩分类预测   成绩预警系统  

摘要： 随着信息技术的迅猛发展和普及,线上教育突破了传统线下教育在时间和空间上的限制,实现了优质教育资源的共享,从而吸引了大量学习者的积极参与。然而,线上教育也面临着高辍学率、低通过率等挑战。由于线上学习形式的多样性和学生群体的庞大规模,教师难以有效识别出存在学习风险的学生,进而难以为他们提供针对性的辅导与支持。 为应对这一挑战,学生成绩分类预测成为线上教育领域的关键研究点。通过分析线上课程的学习数据,可以预测学生是否能通过课程,进而识别并干预风险学生。目前,大量研究者利用线上课程学习数据中学生对学习资料的点击行为数据进行学生成绩分类预测研究,取得了良好的效果,但这些研究在数据利用方面仍显不足。具体而言,现有研究对学生点击行为数据的分析不够深入且角度单一,导致模型预测性能受限。此外,在课程早期阶段,由于学生点击行为数据的匮乏,部分模型面临冷启动问题,预测效果不佳。基于此,本研究从多个角度对学生点击行为数据进行深入分析来建立成绩分类预测模型,并引入学生背景数据以缓解分类预测模型的冷启动问题。最后基于预测模型建立学生成绩预警系统,从而为教师提供有效的决策支持。 具体而言,本文的研究内容主要包括以下几点: (1)为了从时序与局部两个角度分析学生点击行为数据,并缓解成绩预测模型的冷启动问题。本研究提出了一种基于双分支网络DNN-CBLM的成绩分类预测模型。该模型结合了基于CBLM的学生点击行为特征提取网络模块与基于DNN的学生背景特征提取网络模块。在CBLM模块中,利用一维卷积神经网络(1DCNN)捕捉点击行为数据的局部特征,并通过双向长短期记忆网络(Bi-LSTM)挖掘时序特征,为了使输出更关注与学生成绩更相关的特征,引入了多头注意力机制对其输出赋权值,并在注意力机制中融入残差模块以增强模型特征表达能力。此外,DNN模块旨在利用学生背景数据弥补早期阶段点击行为数据不足的问题。在课程初期,学生的点击行为数据相对有限,但其背景数据是完整的。因此,通过深度神经网络(DNN)对学生背景数据进行特征提取,能够在课程早期阶段为模型提供有力的数据支撑,从而提高早期预测的准确性。在大量实验中,DNN-CBLM成绩分类预测模型都取得了良好的预测性能,并有效提高了模型在课程早期的预测性能,充分验证了模型的有效性。 (2)在DNN-CBLM成绩分类预测模型的基础上,为了全面分析学生点击行为的整体特征、时序特征与局部特征,并结合学生背景特征缓解模型冷启动问题,本研究提出了一种基于改进粒子群算法优化的Stacking成绩分类预测模型(IPSO-Stacking DXLL)。该模型在双分支网络DNN-CBLM的基础上进行了改进,通过引入Stacking集成算法将DNN-CBLM、XGBoost、Light GBM作为基学习器、逻辑回归(LR)作为元学习器,构建了一个性能更为强大的Stacking DXLL成绩分类预测模型。在模型构建过程中,根据不同特征的特点,选择不同的基学习器提取各类特征,其中,XGBoost和Light GBM用于提取学生点击行为的整体特征和学生背景特征,DNN-CBLM则提取学生点击行为的时序特征、局部特征与学生的背景特征。模型通过集成这三种基学习器,实现了对学生点击行为的整体特征、时序特征、局部特征全面分析,同时结合了学生背景特征用于缓解模型冷启动问题。此外,为了进一步优化模型的预测性能,本研究提出了一种改进粒子群算法(IPSO),相较于传统的粒子群算法,IPSO在算法结构和搜索策略上进行了优化,使其在收敛速度和优化性能上均有了提升。在一系列的预测实验中,IPSO-Stacking DXLL都取得了最优的预测性能,充分说明了该方法的有效性。 (3)为了为线上课程的教师提供一套切实有效的工具来识别并预警风险学生,本研究在提出的IPSO-Stacking DXLL成绩分类预测模型基础上,设计并实现了一种基于Spring Boot-Vue框架的学生成绩预警系统。该系统能够利用成绩分类预测模型对学生的线上课程学习数据进行分析,预测学生成绩,为教师提供及时的成绩预测结果。通过该系统,教师可以发现存在学习风险的学生,并为他们制定个性化的学习改进计划。这些计划将通过系统直接发送给学生与其监护人,帮助学生调整学习策略,提升学习效果。