PCA最常见的应用之一就是将高维数据集可视化。一般对于有两个以上特征的数据，很难绘制散点图，。对于Iris（鸢尾花）数据集，我们可以创建散点矩阵图，通过展示特征所有可能的两两组合来展示数据的局部图像。 不过类似cancer数据集，包含30个特征，这就导致需要绘制30*14=420张散点图。 不过还可以用一种简单的可视化方法——对每个特征分别计算两个类别的直方图： import mglearn

人类微生物群构成了一个复杂的多王国群落，与宿主在多个身体部位共生相互作用。宿主-微生物群的相互作用影响多 种生理过程和各种多因素的疾病条件。在过去的十年中，微生物群落被认为会影响多种癌症类型的发展、进展、转移 形成和治疗反应。虽然微生物对癌症生物学的影响的因果证据才刚刚开始被揭示，但增强对这种与癌症调节的相互作用和对癌症治疗的影响的分子理解被认为具有重要的科学重

摘要： 本文采用密集连接的卷积网络(DenseNet)结构，吸收SeNet，对一组苏木精和伊红(H&E)染色乳腺组织学显微镜 Camelyon16 进行多任务分类。全幻灯片图像（WSI）通常存储在多分辨率金字塔中，我们的数据集包含Camelyon16 在*5、*20、*40，三倍放大率下的patches。 我们的多任务是通过连接同一网络末端的两个分类器来识别patches的放大率并区分提取的pa

Symmetry-based regularization in deep breast cancer screening ResultsDatasetExperimentMethod数据增强不变性正则化损失等变体系结构 因为我做的是弱标签的图像分类，所以我只关心全图的信息，Results等只是全图的信息。 Results modelinput sizeACC模型集成输入类

目录 数据集概述DescriptionOverviewOriginal Data SourceFrom Authors 初次尝试 (CNN)利用imblearn库处理不平衡样本第二次尝试 (CNN)my_dataset.pytrain_CNN.py 第三次尝试 (ResNet18预训练模型)train_ResNet18.py 数据集概述 本次实战练习的数据集来自Kaggle的

在日新月异的多组学时代，各组学间的关联分析在生物学机制研究中变得尤为重要。而scRNA-seq技术的出现，为单细胞水平的多组学关联分析提供了强有力的支撑。凌恩生物引入单细胞平台，凭借本身丰富的微生态研究经验，是该类研究方案的优质合作伙伴。 本期为大家介绍一篇发表于Cancer Cell的文章，以单细胞转录组和微生物组关联分析为切入点，探究了宿主-微生物互作对胰腺癌中造成的影响。(DO

基于改进的随机游走的PET-CT肺癌分割方法 摘要 首先，通过使用区域增长和数学形态学对PET图像进行预分割来获得初始轮廓。初始轮廓可以用于自动获得PET和CT图像上随机游走所需要的种子点，同时，它们也可以用作CT图像上随机游走的约束，以解决肿瘤区域的缺点。如果未增强CT图像，则CT图像不明显。由于CT提供了有关解剖结构的必要细节，因此CT的解剖结构可用于提高PET图像上随机游走的权重。最

方法 作者未提供代码

理解论文  Lung Cancer Tumor Region Segmentation Using Recurrent 3D-DenseUNet 一、摘要 1.提出了一种数据驱动方法用于肺肿瘤分割通过使用Recurrent 3D-DenseUNet。 2.使用大小为  256*256*8  的image-volumes with tumors 来训练网络。 3.还使用了数据驱动的自适应加权

基因融合与癌症研究简历史（截止到2015年） Major discoveries from research on gene fusions and cancer 主要肿瘤亚型涉及的基因融合数量 Number of gene fusions involved in major neoplasia subtypes 恶性疾病中基因融合相关FDA批准药物 FDA-appr