weixin_43172152的博客

02重新认识B端产品与B端产品经理前言核心问题B端 VS C端B端产品定位和类型B端产品经理的常见角色前言本人近期在学习B端产品的一些基本方法和知识结构，学习资源：起点学院B端产品经理课程，希望同行多多交流～～核心问题1）什么是B端产品，准确定义？2）B端产品必须具备的能力？3）工作思路：业务闭环和落地实施4）成长路径：从思辨执行到引领业务B端 VS C端B端产品定位和类型帮助企业完成商业目标B端产品经理的常见角色...

行业和布局一、基础层：算力，数据储存1）数据储存和运算能力2）弹性计算3）迁移、通信4）数据库MYSQL要解决的核心问题：数据储存、运算分配、云服务管理用户需求：1）数据 2）运算二、技术层：算法输出CV：1）机器学习2）深度学习3）神经网络4）滤波算法设备-----》图像处理-----》云端2终端----》数据库匹配----》返回结果（通过/不通过）语音识别：1）语音识别2）语义理解人发起语音-----》语音识别-----》语义理解----》数据库匹配----》

数据集以及源码在这里获取：https://github.com/beyondguo/LeaningDeepLearningimport numpy as npimport h5py #一个h5py文件是 “dataset” 和 “group” 二合一的容器。def load_dataset(): train_dataset=h5py.File('/Users/momozi1996/Downloads/LeaningDeepLearning-master/LR/datasets/train_

【临床预测模型】------单因素分析1、结局变量的处理：1）结局变量：预测模型要预测的目标2）二分类变量&连续变量3）二分类变量&时间-事件变量2、缺失值：3、连续变量？分类变量：4、变量转换：1、结局变量的处理：1）结局变量：预测模型要预测的目标1⃣️诊断模型｜结局变量：患病状态（是否患病）2⃣️预测模型｜结局变量：是否发生时间/何时发生事件➡️ 对于回归模型，结局变量即为因变量（Y）1⃣️连续变量：血压，出生体重2⃣️二分类变量：是否患病，是否死亡3⃣️时间-事件变量

作为7年放射科医生，医疗行业任职14年，他对医疗行业有着深刻的认识。他认为：医疗行业的实际用户有两类：一类是真正的用户（决策者），一类是使用上的用户。一个产品能不能有生命力， 首先要符合既能满足使用用户的需求，还要满足决策用户的要求。人工智能AI的辅助在于：场景自动化+报告结构化➡️标准化影像发展目前只是1.0阶段，2.0时代的影像AI，首先，应该能为临床数据诊断产生新的数据，这些数据可对原疾病进行高于形态的判别，在风险预测、预防，乃至最后的疗效评估等环节，均可发挥价值；其次，可以实现实现多任务处理，

本文使用了R——survival包下的lung数据进行方法测试：1）KM2) Cox回归：多因素3）随机森林因子（根据cox回归结果）4）nomogram（ 根据cox回归结果，建立了中位生存时间，1年5年生存率的概率计算）-------------------????????‍♀️本文只有干货，非常干！????-----------------------------一、数据加载#生存分析library("survival")library("survminer")data("

【临床预测模型】----三个维度筛选预测因子1、医学文献1）医学指南：（最佳）2）系统综述/综述3）预测模型/预测因子2、统计方法1）单因素2）多因素3、应用场景1）面向大众：推广、简单2）面向医学科研人员/医生：精准4、好的预测因子特点（评价）三个维度：文献+统计+场景1、医学文献 建模之前，一定到复习足够的医学文献。1）医学指南：（最佳）对当前的疾病的最新文献的评价和总结，高危因素、预测因子，文献支持。2）系统综述/综述 他人的总结，临床+影像预测因子；3）预测模型/预测因子

【临床预测模型】----选择合适的统计模型常用4种统计模型1）logistics 回归： ｜分类变量2）cox回归： ｜生存资料3）poisson /负二项回归： ｜计数资料4）线性回归： ｜回归连续变量根据不同的结局事件，建立不同的回归模型。1、预测事件｜logistic 回归 短期随访&无事件-时间记录1）结局事件：①是否患某疾病；②是

【临床预测模型】----选择合适的研究数据选择数据通常面临许多问题：①②③④⑤⑥⑦⑧⑨⑩1、现成数据和研究数据1）现有数据：①优势：时间、精力、人力成本较低②劣势：A. 选择偏倚不可控；B. 数据质量（数据完整性、有效性、可靠性）③如何获得：A. 既往研究项目的数据B.医院的电子病例C.公开的研究数据公开数据集【注意】1）研究设计评估2）数据申请和使用流程3）数据质量评估和控制2）研究数据：①优势：A. 预测因子B. 选择偏倚可控（纳排标准）②劣势：时间、经济、人力

【临床预测模型】----10步建立预测模型好多小伙伴在首次构建一个临床预测模型构建时，一头雾水找不着北????为了解决这一问题，小编思索良久，决定彻夜归纳，5min快速概括，告诉各位头大的小朋友，每一步应该怎么做～????????满满只放干货，划重点！！研究思路 ????????准备工作 ➡️ 统计分析 ➡️ 成果展示！！大部分的研究，取决于我们有什么样的现有数据！！so，数据是一切的源头，巧妇难为无米之炊。1、准备工作：1）确立研究问题2）选择数据来源3）数据的预处理2、统计

【临床预测模型】第一部分： 诊断模型or 预后模型一，诊断模型（Diagnostic Model）1、定义：用来预测个体患者患有某种疾病的概率；1）通常应用于：特定群体，表现出某种症状的患者；2）结局变量：患者当前状态（是否患病）2、诊断模型是诊断试验准确性研究的延伸；概率思维：诊断结果不再是阴阳，而是当前患有某疾病的可能性。预测因子和结局指标，应该“同时间”测量。3、诊断论文的特点：1）标题：diagnostic，diagnostic model；疾病名称；2）摘要/关键字：d

【临床研究】---多元回归分析中的变量筛选问题方法选择的思考路径：1、变量筛选方法的归纳1）变量筛选的一般流程：①逐个变量：单因素回归分析②分析P值：依据样本量大小情况调整P值选择范围③纳入规则：将单因素回归分析中p值<？（②中规则）的自变量纳入最终回归方程。2）常用统计学软件：2、变量筛选遵循的基本原则1）足够的统计学效能：2）依据临床研究报告的以往经验筛选：3）结合临床知识筛选：3、变量筛选的基本共识1）结合临床专业知识：2）根据单因素分析结果筛选变量：3）根据混杂因素“Z”对试验因素或暴露因素“

【影像组学】CT数据与MRI数据一、CT ：计算机断层成像技术1、工作流程根据人体不同组织对X线的吸收与透过率的不同，应用灵敏度极高的仪器对人体进行测量，然后将测量所获取的数据输入电子计算机，电子计算机对数据进行处理后，就可摄下人体被检查部位的断面或立体的图像，发现体内任何部位的细小病变。2、成像基本原理CT是用X线束对人体某部一定厚度的层面进行扫描，由探测器接收透过该层面的X线，转变为可见光后，由光电转换变为电信号，再经模拟/数字转换器转为数字，输入计算机处理。图像形成的处理有如对选定层面分成若

第一章：绪论 一、 统计学的几个基本概念总体与样本变量与资料统计分类方法的选用，与资料类型密切联系。误差频率与概率二、 医学统计工作的基本步骤1、设计2、收集资料3、整理资料4、分析资料三、 统计学发展史一、 统计学的几个基本概念总体与样本个体（individual）：观察单位(observed unit)，统计研究的基本单位。总体（population）：同质的所有观察单位的某种观察值的集合。有限总体（finite population）：总体中明确规定了空间、时间、人群范围的有限个观察

【影像组学】影像组学–基本步骤（概述）所谓影像组学，是对医疗影像进行定量描述和定量分析的一种研究方法，将视觉影像信息转化为深层次的特征来进行量化研究。放射组学（Radiomics）：从医学影像图像中挖掘高通量的定量影像特征，使用统计学方法筛选出能够提供有用的诊断、预测或预后信息等最有价值的影像特征，可用于疾病的定性、疗效评估和预后预测等研究。一、基本处理流程1、2、3、4、5、...

人脸识别1 常用生物特征比较：人脸识别的普遍性、可采集性、可接受程度高（方便）；但是独特性、性能、防欺骗性偏低（通过算法改进）；因此，只要大幅度提高人脸识别算法的性能，可使得人脸识别得到最大程度的大范围使用。–人脸识别的优势...

使用时的问题1 在进行彩色联合标定时，调用的#include “cvut.h” 中发现cvutUtil.h头文件中的void do_morphing(Image& RightImage, Image& LeftImage, CvMatrix3* F_Matrix)会报错，主要在CvMatrix3。解决方法:将 CvMatrix3* F_Matrix直接改成 float F_...

标志点跟踪的实验问题1 单纯采用颜色阈值算法，无法将标志提取出来，颜色阈值选取收到光环境的极大影响；2 解决办法：采用形状+颜色两部分综合提取标志点。注意形状：椭圆范围。...

双目相机-投影仪彩色联合标定实验的问题1 颜色通道的选择：投影棋盘格：红黑棋盘格；两种投影方案：第一，投影光：蓝光；打印棋盘格：黄白棋盘格第二，投影光：绿光；打印棋盘格：红白棋盘格方案一采集的图片过曝程度小于方案二，由于投影仪本身亮度值较高。...