- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户2133719的专栏
医学统计学：计量资料的统计描述
「统计描述」是指用统计指标和适当的统计图表来描述资料的「分布规律」及其「数量特征」，本文将介绍统计描述中的常见概念。 我们可以通过如下步骤计算频数分布（以连续变量为例）： 求极差（最大值和最小值之差） 确定组段数和组距 根据组距写出组段 分组划记并统计频数 计算得出的频数分布可以通过「频数分布表」或「频数分布图」进行展现 image.png 医学参考值范围的制定 「医学参考值」（reference value）是指包括绝大多数正常人的人体形态、功能和代谢产物等各种生理及生化指标常数，也称正常值。 由于存在个体差异，生物医学数据并非常数而是在「一定范围」内波动，故采用「医学参考值范围」（medical reference range）作为判定正常和异常的参考标准。 医学参考值范围可以采用「单侧界」值或「双侧界值」，这通常依据医学专业知识而定。根据资料的分布类型，有两种计算医学参考值范围的常用方法：「正态分布法」和「百分位数法」。
1.8K31发布于 2020-08-17 - 来自专栏数据库
Fisher确切概率法在医学统计中的应用及spss中的操作——杏花开医学统计
四格表资料的卡方检验的内容详见： 《如何用四格表卡方检验进行医学数据的统计分析？》 下面，我们一起来了解两样本的四格表资料的Fisher 确切概率法的基本原理、适用条件及其在SPSS中的操作步骤。 其基本思想是在四格表周边合计数T1、T2、T3、T4不变的条件下，计算表内a、b、c、d，4个频数变动时的各种组合的概率Pi；再按检验假设用单侧或双侧的累计概率P，依据所取的检验水准α进行判断。 （3）根据α的水准进行判断 若α=0.05，则比较累计概率P与0.05的大小来进行判断； 若α=0.01，则比较累计概率P与0.01的大小来进行判断。 关于数据加权还原的操作由于前期已经详细讲解过，因此不再赘述，具体请看： 《如何用四格表卡方检验进行医学数据的统计分析？》 依次点击“分析——描述统计——交叉表格”。 后续我们将陆续更新更多不同卡方检验方法在医学研究中的应用和在统计软件中的实现，敬请关注！ 参考文献： 1、孙振球,徐勇勇.《医学统计学 第4版》.人民卫生出版社. 2、邱皓政.
14.4K80发布于 2018-01-30 - 来自专栏深度学习|机器学习|歌声合成|语音合成
医学统计分析：心电图智能诊病
数据集介绍 数据一共包含39732条心电数据，被随机划分为训练集和测试集，比例为7:3。
1.4K10编辑于 2022-04-13 - 来自专栏深度学习|机器学习|歌声合成|语音合成
医学统计分析思路方法总结：实例
医学研究思路 研究适合的研究数据 模型选择 分类变量：logistic回归 生存资料 Cox回归 计数资料：Poisson/负二项 回归连续变量：线性回归 选择适合的预测分子 阅读文献选择适当的预测因子 临床医学预测模型的流程 R数据导入和查看和导出 结局变量==Y值 二分类 诊断模型中转化为二分类模型 诊断模型中结局变量的形式: 二分类:是否患病 由连续变量根据某一标准转换为二分类:是否高血压 dd <- datadist(data) options(datadist="dd") fit.C3 <- cph(Surv(Time_death, Status_death==1)~ rcs (C3,3),data=data) plot(Predict(fit.C3,C3,ref.zero=TRUE)) fit.C4 <- cph(Surv(Time_death, Status_death )] 异常值 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aWU3Li5q-1594014200624)(https://i.loli.net/2020/06/30/qkZOv8p3M4GA7jw.png
1.1K20发布于 2021-01-14 - 来自专栏机器学习与统计学
北大@Coursera 医学统计学与SPSS软件 第一周 医学统计学基本概念和方法
统计学（statistics） 运用概率论和数理统计的基本原理和方法，研究数据的收集、整理和分析的一门学科。将统计学应用于医学领域，则称为医学统计学。 ? 1. 随机抽样......减少偏性，使样本对总体有代表性 随机抽样的目的:用样本信息来推断总体特征 3. 概率： 概率是描述随机事件发生的可能性大小的数值，常用P表示。随机事件的概率在0与1之间。 不同类型的资料，统计方法不同 数值变量 t检验、方差分析、回归与相关 无序分类变量 卡方检验 有序分类变量 秩和检验 各种类型的 资料之间是可以相互转化的 ? 误差： （1）抽样误差 （2）随机测量误差 （3）系统误差 （4）过失误差 抽样误差和随机测量误差是不能避免的，但可控制。系统误差和过失误差是可以避免的。 统计工作的基本步骤 （1）设计 （2）搜集资料 （3）整理资料 （4）分析资料 SPSS软件基本数据管理功能 排序 分割 描述 计算变量 赋值 重新编码 ? ? ? ? ? ? ? ? ?
97420发布于 2019-04-10 - 来自专栏优雅R
医学统计与R语言：圆形树状图（circular dendrogram）
install.packages("igraph") library(igraph) myedges <- import("edges.xlsx");myedges myedges1 <- myedges[-3] =y*1.05, filter = leaf, label=name, hjust='outward', angle = -((-node_angle(x, y)+)%%)+, size=3, colour=group), size=3, alpha=1) + geom_node_point(aes( x = x, y=y, filter = leaf,colour=group 输入3： ggraph(mygraph, layout = 'dendrogram') + geom_edge_diagonal2(aes(colour =node.group)) + value,colour=group) , alpha=) + ylim(-2, NA) + theme_void() +theme(legend.position="none") 结果3：
2.3K10发布于 2020-07-06 - 来自专栏生信修炼手册
《实用医学统计学与SAS应用》学习笔记 | 绪论
医学统计学：是一门运用统计学尤其是数理统计学的原理和方法，研究医学科研及卫生工作中有关数据的收集，整理，分析的学科。 国内有"医学统计学"，"卫生统计学"等不同名词，二者的原理和方法完全相同，医学统计学侧重于临床医学，基础医学，口腔医学，中医学等学科的非公共卫生方面的研究;卫生统计学更侧重于医学与卫生学等公共卫生研究领域 统计学发展简史：大致分为3个阶段 17世纪到18世纪中叶的古典统计学 18世纪中叶到19世纪末的近代统计学 19世纪末至今的现代统计学 1） 古典统计学 国势学派 该学派在进行国势比较分析中，偏重事物性质的解释 政治算数学派： 概率论学派 2） 近代统计学 3） 现代统计学 3. ，用来解决什么问题，使用时应注意什么问题，统计分析的结果如何正确解释与表达 3）要能充分运用统计学原理和对应的工具解决实际问题 4）不仅要学习如何进行数据统计，更重要的是学会统计思维方法进行科研设计，合理解释统计结果
82420编辑于 2023-03-09 - 来自专栏优雅R
医学统计与R语言：aggregate.plot了解一下
输入3： longrma$time <- ifelse(longrma$time=="before",, ifelse(longrma$time=="middle",,)) longrma$time
77720发布于 2020-07-06 - 来自专栏医学和生信笔记
R语言和医学统计学系列：样本量计算
检验的样本量计算 单样本t检验（样本均数和已知总体均数比较） 两样本t检验（两样本均数比较） 多样本均数比较 样本率和已知总体率的比较 两独立样本率的比较 多样本率的比较 直线相关分析 样本量计算也是医学统计学中的一块重要内容 我使用的课本是孙振球主编的《医学统计学》第4版，封面如下： 通常样本量计算大家可能知道PASS软件，这是一个专门用来计算样本量的软件，但是也是付费的，并且没有mac版，而R语言免费，谁都可以用，不过！ 拟观察3种方法治疗消化性溃疡的效果，初步估计甲法有效率为40%，乙法50%，丙法65%，设α=0.05，β=0.1，试估计样本量？ 很明显属于行x列表资料的卡方检验！ pwr.chisq.test(w = ES.w2(prob/3), # effect size df = 2, #（3-1）*（2-1）= 2 根据以往经验，血硒与发硒含量间直线相关系数为0.8，若想在α=0.05，β=0.1的水平上得到相关系数有统计学意义的结论，应调查多少人？
3.1K41编辑于 2022-11-15 - 来自专栏用户2133719的专栏
医学统计学：总体均数的估计与假设检验
1 均数的抽样误差与标准误 了解总体特征的最佳方法是对总体的每一个个体进行观察、试验，但这在医学研究实际中往往不可行。 我们只能采用抽样研究，从总体中随机抽取一个或几个样本，通过样本信息了解总体特征，这种方法即「统计推断」（statistical inference）。 同样，来自同一总体的若干样本统计量间也存在抽样误差。 在抽样研究中，抽样误差「不可避免」，其产生的根本原因是生物个体的变异性。 因统计结论具有概率性质，故不要使用“肯定”、“一定”、“必定”等词。 「统计”显著性“与医学 / 临床 / 生物学”显著性“」。 统计“显著性”对应于统计结论，而医学 / 临床 / 生物学”显著性“对应于专业结论。假设检验是为专业服务的，统计结论必须和专业结论有机地结合，才能得出恰如其分、符合客观实际的最终结论。
2.4K30发布于 2020-08-17 - 来自专栏医学和生信笔记
R语言和医学统计学系列：协方差分析
今天继续学习使用R语言进行医学统计学分析，今天要学习的内容是协方差分析，还是使用课本中的例子。 我使用的课本是孙振球主编的《医学统计学》第4版，封面如下： 课本封面 完全随机设计资料的协方差分析 使用课本例13-1的例子。 9.7 9.9 9.8 11.1 8.2 8.8 10 9 9.4 ... ## $ y2: num 9.2 9.1 8.9 8.6 9.9 7.1 7.8 7.9 8 9 ... ## $ x3: 可以看到一共6列，和课本上面的一模一样，分别是x1,y1,x2,y2,x3,y3。 ## Rows: 90 ## Columns: 3 ## $ group <fct> 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2
64640编辑于 2022-11-15 - 来自专栏全栈程序员必看
医学图形图像处理(医学影像和医学图像处理)
文章目录 1 图像和数字图像 2 图像分类 2.1 简单分类 2.2 传感器分类 2.3 维度分类 3 图像处理流程 4 医学图像 1 图像和数字图像 数字图像： 被定义为一个二维函数，f(x,y)， （3）坐标 图像存储在计算机中会丢失信息，因为是从一个连续的空间到离散空间的再采样过程。 图像数据： 生活中是二维的，医学上通常还有3维和4维的。 医学图像中常用的是dicom 2 图像分类 2.1 简单分类 （1）二值图像：包含两个值，通常为0、255 （2）灰度图像： 0-255灰阶，更能表现自然界图像形态。 （3）彩色图像： 包含更加丰富的信息，实际上时3个灰度图像的叠加，R/G/B的channel的混合。 4 医学图像 （1）CT图像： 骨结构、组织结构（不太清晰） （2）MRI（核磁共振）图像： 清晰看到除了骨结构之外的一些软组织，更能描述人体软组织结构。
1.7K10编辑于 2022-07-31 - 来自专栏悠扬前奏的博客
LintCode-3.统计数字
题目 描述 计算数字k在0到n中的出现的次数，k可能是0~9的一个值 样例 例如n=12，k=1，在 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]，我们发现1出现了 5次 (1, 10, 11, 12) 解答 思路 把数字当成字符串，拆成字符数组，统计k作为字符在字符数组中的出现次数。
49520发布于 2019-05-28 - 来自专栏涛的程序人生
【matplotlib】3-绘制统计图形
文章目录 绘制统计图形 1.柱状图 1.1 应用场景--定性数据的分布展示 1.2 绘制原理 2.条形图 3.堆积图 3.1 堆积柱状图 3.2 堆积条形图 4.分块图 4.1 多数据并列柱状图 4.2 -带误差棒的多数据并列柱状图 10.6 案例4--带误差棒的堆积柱状图 绘制统计图形 1.柱状图 柱状图是描述统计中使用频率非常高的一种统计图形。 因此，堆积图顾名思义就是将若干统计图形堆叠起来的统计图形，自然是一种组合式图形。 plt.setp(texts1, size=12) plt.title("Pie Chart", fontsize=20) plt.show() 9.箱线图 箱线图是由一个箱体和一对箱须所组成的统计图形 误差棒图就是可以运用在这一场景中的很理想的统计图形。
2.7K10编辑于 2022-12-28 - 来自专栏最新医学影像技术
医学图像处理案例（十一）——3D骨架提取算法
1、常见3D骨架提取算法 常见的两种图像细化方法有（1）、核滤波器，（2）、决策树。 决策树方法是迭代处理26邻域内中目标和背景体素所有可能的二进制组合，并在每次迭代时找到所有可删除的表面点，虽然该方法仅限于2D和3D，但却比形态滤波器运算速度快。 2、使用ITK函数来实现3D骨架提取算法 ITK的函数中只支持2D骨架提取算法，但有大牛写了基于ITK的3D骨架提取算法，C++源码下载请见原文链接。 该函数非常简单，只需要输入二值化的图像即可，输出是3D骨架图像。 (image) itk.imwrite(thining_map, output_filename) 3、血管3D骨架提取效果 如图所示是血管二值图像，图中红色点目标就是3D血管骨架结果。
5.1K20发布于 2020-06-29 - 来自专栏最新医学影像技术
医学图像处理教程（三）——医学图像增强算法
今天将给大家分享医学图像常见图像增强算法。 图像数据转成Numpy矩阵数据，然后采用Numpy的power（）函数来计算数据的幂次变换，为了防止出现计算值溢出错误，因此这里我们使用图像减去图像均值再除以图像方差来计算图像幂次变换结果，，在这里我们计算图像3次幂变换 np_image_clone1 = (np_image_clone1 - np_image.mean()) / np_image.std() np_power_image = np.power(np_image_clone1, 3) image.GetDirection()) power_image.SetSpacing(image.GetSpacing()) sitk.WriteImage(power_image, "power_image.mha") 3、 这个类函数需要人为设置三个参数：Alpha，Beta，Radius，其中Alpha参数是用来控制结果相对于经典直方图均衡化方法结果的相似程度，Beta参数用来控制图像锐化程度，Radius用来控制直方图统计时的区域大小
3.4K50发布于 2020-06-29 - 来自专栏机器学习与统计学
北大@Coursera 医学统计学与SPSS软件 第六周 直线回归与相关
其检验假设为： H0： b=0，即X、Y之间无直线关系 H1：b¹0，即X、Y之间有直线关系 只有当b¹0时，才能认为直线回归方程成立（具有统计学意义）。 （I） 3.正态性 Y服从正态分布。（N） 4.方差齐性 对于所有自变量取值，Y总体方差相等。（E） 三、应用直线回归应注意的问题 1.作回归分析要有实际意义。 3.在进行直线回归分析之前，应绘制散点图。 直线相关 一、直线相关的概念直线相关（linear correlation）用于描述具有直线关系的两个变之间的相互关系。 H0：r=0，即X、Y之间无直线相关关系 H1：r¹0，即X、Y之间有直线相关关系 统计量t为： ? 式中sr为样本相关系数的标准误。 注：只有当r¹0时，才能根据|r|的大小判断相关 的密切程度。 联系 1.r与b的符号一致,同正同负 2.r与b的假设检验等价 3.
1.9K10发布于 2019-04-10 - 来自专栏机器学习与统计学
北大@Coursera 医学统计学与SPSS软件 第二周 数值变量的分布类型
数值变量的统计描述 一、集中趋势指标描述 1.算术均数（均数mean） 适用于正态分布 总体均数：μ；样本均数： 2.几何均数（geometricmean） 常适用于一种特殊的偏态分布资料：对数正态分布资料 3.中位数（median，M）主要适用于偏态分布资料。 3.标准差（StandardDeviation，SD）：和均数的单位一致，表示一组变量值的平均离散程度。适合描述近似正态分布资料的离散趋势。 分类资料的统计描述 相对数（Relative Number） 1.比（Ratio） 又称为相对比。表示两个有关联的指标之比。 3.率（Rate） 表示单位时间内某事件发生的频率。 分子为观察期间内某事件的发生例数。 分母为观察人－时（Person-Time）总数 SPSS应用： 数字型变量 ? ? ? 分类变量统计描述 ?
1.3K10发布于 2019-04-10 - 来自专栏arXiv每日学术速递
ImgX-DiffSeg：基于 DDPMs 的 3D 医学图像分割
ImgX-DiffSeg：基于 DDPMs 的 3D 医学图像分割 前言 本篇文章继续解读医学图像 diffusion 系列，之前我们分别介绍过在自监督和有监督分割中的 diffusion 应用。 基于 diffusion adversarial representation learning 的血管分割 MedSegDiff：基于 Diffusion Probabilistic Model 的医学图像分割 而这次的《Importance of Aligning Training Strategy with Evaluation for Diffusion Models in 3D Multiclass Segmentation》这篇文章并不是一种新的 diffusion 应用，而是对训练和推理策略进行优化，并适应 3D 的医学图像分割任务，参考链接在文末。 实验 实验分别基于 MRI 和 CT 图像数据集， 值得注意的是，ImgX-DiffSeg 在 3D 上的表现是好于 2D 数据集的，如下表所示。
93840编辑于 2023-08-26 - 来自专栏机器学习、深度学习
医学图像分割
Topology Aware Fully Convolutional Networks For Histology Gland Segmentation
1K20发布于 2019-05-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号