简介:摘要数字化时代的到来,给信息技术学科带来了新的机遇。随着现代信息技术的广泛应用,以及教育理念的深入发展,构建终身教育服务体系和学习型社会已经成为必然趋势。因此,本文主要分析和探索了高中信息技术学科的价值追求数字化学习与创新。
简介:摘要目的探讨基于双期增强CT影像组学特征的机器学习模型术前预测肝细胞癌微血管侵犯(MVI)的价值。方法回顾性分析2015年1月至2020年5月在苏州大学附属第一医院经病理确诊的148例[男106例,女42例,年龄(58±11)岁]肝细胞癌患者的资料,其中MVI阳性88例,MVI阴性60例。按照约7∶3的比例随机分配为训练集和验证集。利用MaZda软件提取肝细胞癌动脉期和门静脉期3D影像组学特征,采用3种特征选择方法联合(FPM法)和Lasso回归进行特征筛选,得到最优特征子集。然后用6种机器学习算法构建预测模型,采用受试者工作特征(ROC)曲线评估模型的预测能力,并计算出曲线下面积(AUC)、准确度、灵敏度和特异度。结果MaZda软件提取肝细胞癌动脉期和门静脉期的影像组学特征,各239个。利用FPM法和Lasso 回归进行特征筛选可分别得到7个动脉期和14个门静脉期最优特征。基于动脉期的7个最优特征构建的决策树、极端梯度提升、随机森林、支持向量机、广义线性模型和神经网络等模型预测验证集肝细胞癌MVI的AUC值分别为0.736、0.910、0.913、0.915、0.897、0.648,其中支持向量机的AUC值最高,其准确度、灵敏度和特异度分别为95.35%、95.83%和94.74%。利用门静脉期的14个最优特征构建的上述机器学习模型预测验证集肝细胞癌MVI的AUC值分别为0.873、0.876、0.913、0.859、0.877、0.834,其差异均无统计学意义(均P>0.05),其中随机森林模型的AUC值最高,其准确度、灵敏度和特异度分别为90.70%、87.50%和94.74%。结论基于双期增强CT影像组学特征的机器学习模型可用于术前预测肝细胞癌微血管侵犯。其中,支持向量机和随机森林模型具有较高的预测效能。
简介:摘要随着课程改革的不断深入,人们对学习方式的改变越来越予以关注。课程实施者常常感叹学生学习的自主性不够。而什么是自主学习?实施自主学习需要注意什么?本文就语文学科的自主学习并结合相关案例进行一个粗浅的解读。
简介:摘要在现有制度下,如何激发技校学生学习热情,重新树立信心成为关键所在。根据学生的现有情况,适当的改变教育和教学方法,以帮助学生充分发挥主观能动性,取得不断的进步。