P/R和ROC是两个不同的评价指标和计算方式，一般情况下，检索用准确率、召回率、F1、AP和mAP，分类、识别等用ROC和AUC（特异性和敏感性是ROC当中的一个部分）。 准确率、召回率、F1、AP和mAP这几个指标需要依次看，不然直接看AP和mAP看不明白。而ROC和AUC可以直接看不需要看前面的指标。 PR曲线和ROC曲线上点都是对预测的数据进行划分，首先都是按照置信度排序，而PR

引用信息 文  章：Adenosine-modulating   synthetic high-density lipoprotein for chemoimmunotherapy of triple-negative   breast cancer 期    刊：Journal of Controlled   Release（影响因子：10.8）  发表时间：08/02/2024 作

阴性选择法是由Forrest在1994年提出算法，该算法在AIS中得到了广泛的应用，是AIS的核心算法之一。该算法的过程如图： 1.定义自我集S，以及表示自我的长度为l的字符串。 2.定义部分匹配规则，匹配阈值以及期望达到的系统匹配失败率等参数。（此处多用r-contiguous匹配规则） 3.随机产生长度为l的字符串作为未成熟的检测器。 4.计算每个未成熟检测器和自我集中的每一个个体的适

An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Triple-Negative Breast Cancer An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Tri

三阴性乳腺癌 三阴性乳腺癌(Triple-negative breast cancer, TNBC)是临床上一种异质性疾病，约占确诊乳腺癌的15%。因异质性高、预后差、复发转移风险高等特点，成为乳腺癌研究中亟需攻克的顽固“堡垒”。2019年邵志敏/江一舟团队根据分子特征、代谢重编程和肿瘤微环境方面的异质性提出三阴乳腺癌的“复旦分型”，随后又针对不同亚型进行了系列精准治疗临床试验。与传统化疗相比，

随机抽取一个阳性样本和一个阴性样本，分类器正确判断阳性样本的值高于阴性样本之机率=AUC 随机取两个样本，正样本排在负样本之前的概率 为什么要用AUC 因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。 在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），此时如果用precision/

今天给同学们分享一篇实验文章“CD8+ T cells maintain killing of MHC-I-negative tumor cells through the NKG2D-NKG2DL axis”，这篇文章发表在Nat Cancer期刊上，影响因子为22.7。 结果解读： MHC-I阴性肿瘤的免疫疗法需要CD8 T细胞 作者先前已经证明了4-1BB激动和抗程序性细胞死亡

摘要 根据基因表达的总体差异，乳腺癌被分为预后和治疗反应不同的亚型。管腔乳腺癌的基因表达和增殖是由雌激素受体α驱动的，靶向该转录因子是治疗这一亚型的最有效的方法。相比之下，目前还不清楚是哪些转录因子驱动了基底样三阴性乳腺癌的基因表达，也没有批准有针对性的疗法来治疗这种侵袭性亚型。在这项研究中，我们综合分析了大量的乳腺癌细胞系和患者肿瘤组织的DNA甲基化、染色质可及性、转录因子结合位点和基因表达等