支持向量機(support vector machine，SVM)是針對小樣本數(shù)據(jù)分類和回歸問題提出的通用機器學習算法，分類性能良好，且隨著其理論和應用研究的不斷深入和發(fā)展，已在多個領域展現(xiàn)出優(yōu)秀的學習性能和泛化能力，實際應用優(yōu)勢突出。目前，其在臨床醫(yī)學領域的應用研究進展相對較慢，但仍在多種疾病的臨床診斷、疾病分型、預后判斷等應用中表現(xiàn)明顯的優(yōu)勢

。本文將對近年來SVM在消化系統(tǒng)疾病診療中的應用狀況進行綜述，并展望其應用前景。

1 支持向量機的定義及原理

SVM是由Vapnik針對小樣本學習問題而提出的一種監(jiān)督式機器學習算法，它以統(tǒng)計學習理論的VC(Vapnik-chervonenkis)維理論和結構風險最小原理為基礎，通過尋找結構化風險最小的路徑來增強學習能力，達到在經驗風險最小、特定訓練樣本學習精度最高和無錯誤識別任意樣本能力之間實現(xiàn)最佳平衡，被廣泛應用于數(shù)據(jù)的統(tǒng)計分類和回歸分析，在解決小樣本、非線性及高維模式識別問題中具有獨特優(yōu)勢，泛化能力和分類精準性良好

。

SVM屬于二分類模型，基于結構風險最小化原則對服從某個特定分布的數(shù)據(jù)在二維空間內尋找最佳的分類線性函數(shù)，進而有效解決給定數(shù)據(jù)的二分類問題，而隨著核函數(shù)的引入，SVM可通過非線性映射將輸入向量映射到高維特征空間，尋找和構造最優(yōu)分類超平面，將復雜的多維分類任務轉化成簡單的線性可分問題，因此，核函數(shù)又被稱為SVM的精髓和核心，常用的核函數(shù)有高斯核函數(shù)、線性核函數(shù)、多項式核函數(shù)和徑向基核函數(shù)等

。SVM分類和識別準確性高、泛化能力強，目前已被廣泛應用于人臉識別、語音識別、工業(yè)制造、交通管理、大數(shù)據(jù)發(fā)掘、圖像識別、醫(yī)療檢測等領域

。

2 SVM在醫(yī)療領域的應用

進入21世紀以來，隨著計算機技術和大數(shù)據(jù)技術的飛速發(fā)展，針對SVM的研究愈來愈多，聚類SVM、多元分類SVM、轉導SVM等多種新型SVM模型相繼出現(xiàn)，加上其與基因組學、蛋白質組學、消化內鏡、放射影像等有機結合，使其應用領域更加廣泛，分類性能愈加優(yōu)良，在疾病的預測、輔助診斷及預后評估、新藥研發(fā)、健康管理、醫(yī)學圖像識別等方面表現(xiàn)突出，在消化系統(tǒng)疾病的早期預測、實時診斷及病情判斷及治療效果及預后預測方面同樣顯示出明顯的優(yōu)勢。

針對以往傳統(tǒng)的設計對象，主要圍繞平面表達方式展開，數(shù)據(jù)大都通過離散形式在不同圖紙和數(shù)據(jù)表格中得以體現(xiàn)，在開展實際工作時，需要在這些圖紙和表格中提取數(shù)據(jù)，這無疑會增加工作壓力?；诖?，如果將設計過程中的表達對象轉換成三維形式，集中整合這些離散的數(shù)據(jù)，構建統(tǒng)一的工作數(shù)據(jù)流，實現(xiàn)數(shù)據(jù)處理的無縫對接，進而減少數(shù)據(jù)提取工作的壓力。

馮忠園等

基于T2WI影像組學方法，通過建立SVM和邏輯回歸兩種模型用于探討其鑒別HCC和肝內膽管細胞癌(intrahepatic cholangiocarcinoma，ICC)的價值，通過邏輯回歸降維最終篩選出用于描述區(qū)域形狀的2個特征及用于描述紋理的5個特征，通過智能SVM平臺分析結果顯示：SVM對HCC和ICC鑒別的

值為0.861，靈敏度、準確度和特異度分別為0.800、0.777、0.571，結果顯示基于T2WI 圖像構建的智能影像組學模型能有效鑒別HCC和ICC，提高診斷準確率；劉桐桐

基于常規(guī)灰階超聲圖像，通過留一法使用SVM模型對原發(fā)性肝細胞癌(primary hepatic carcinoma，PHC)患者的微血管侵犯指標和腫瘤分化等級進行預測，結果顯示，肝臟的常規(guī)灰階超聲圖像和微血管侵犯指標和腫瘤分化之間有相關性，SVM模型預測圖像中微血管侵犯指標和腫瘤分化的

分別為0.76和0.89，表明使用SVM技術對PHC的灰階超聲圖像的微血管侵犯指標和腫瘤分化進行預測有助于患者的術前診斷和預后預測；有研究

對肝臟MR圖像的感興趣區(qū)域利用Lloyd算法進行量化和壓縮后，使用局部二值模式和灰度共生矩陣方法提取包括對比度、能量、相關性、熵和逆間隙特征等圖像紋理的微觀和宏觀特征，而后針對提取的20個特征使用SVM模型對MR圖像進行分類，結果顯示，對正常肝組織、早期肝硬化及進展期肝硬化的識別診斷準確度分別為100%、96.3%及92.6%，表明該SVM模型能夠準確識別診斷肝硬化并對其進行分級；王進等

曾對154例(其中訓練集106例、驗證集48例)直腸癌患者術前高分辨T2WI圖像進行手動勾畫病灶感興趣區(qū)域并提取其影像組學特征后，采用LASSO算法對提取的1 029個特征進行降維選擇有價值的病理分期特征，最終獲得通過SVM模型分析結果顯示驗證集的

、靈敏度及特異度分別為0.730、73.1%和66.7%，提示基于MRI高分辨T2WI的影像組學SVM模型有助于判斷結腸癌浸潤深度，對用于判斷其術前T分期，作為直腸癌患者術前評估的有效手段；Ou等

從食管鱗狀細胞癌患者的增強CT圖像的495個特征中提取出最典型的包括病變形狀、強度特征和紋理特征在內的8個代表性特征，并將高斯核SVM與所選的放射性特征相結合構建非線性分類器，對178例食管鱗狀細胞癌患者的診斷

為0.79，表現(xiàn)出較好的診斷效能。

近年來，多種臨床新成像設備和技術相繼問世，不僅大幅度縮短了影像檢查掃描時間，降低了輻射劑量，圖像質量也得到極大提高，更將疾病的診斷從形態(tài)學逐步轉向生理學及功能學，對疾病進行綜合評估，在脂肪肝、肝硬化、胰腺炎、肝膽腫瘤、消化道腫瘤等多種消化系統(tǒng)常見病的診斷中表現(xiàn)突出，而基于放射影像學的二維灰度圖像，使用SVM算法提取、計算和分析病變組織與周邊組織的差異，可進一步提高疾病的診斷準確度，減少臨床漏診、誤診。

消化內鏡可以使醫(yī)師直觀獲得消化道內部的實時影像，利于多種消化道疾病的早期發(fā)現(xiàn)和病變組織的活檢取材，極大地提高了食管炎、食管癌、胃癌、腸息肉、結腸癌等多種胃腸道疾病的診斷準確性，但由于目前我國先進內鏡資源分布不均、內鏡醫(yī)師經驗不足和水平差異，加上部分病變如早期胃癌、早期食管癌、扁平型腸息肉等病變組織與周邊黏膜差異較小，導致該類病變的漏診率及誤診率較高，如何有效克服內鏡及醫(yī)師的差異對病變診斷帶來的不利影響已成為臨床研究熱點，而消化內鏡與SVM的有效結合可為解決上述問題提供一種方案。

在工程建設和施工中，施工方存在欺瞞工程資料的問題，如材料質保單、抽檢報告單不符合實際情況，上述問題對工程監(jiān)理工作造成了較為明顯的影響，無法第一時間發(fā)現(xiàn)工程的安全和質量問題，使得監(jiān)理工作無法充分發(fā)揮其作用和價值。這一問題不僅阻礙了監(jiān)理工作的正常開展，也威脅了工程的綜合性能。

張萍萍等

通過檢測156例胃癌患者及150例消化道良性病變患者和健康體檢者血清中11種腫瘤和炎性標志物的含量，并應用BP算法和SVM算法分別建立胃癌的輔助診斷模型，使用40例患者驗證其診斷效果，最終篩選出包括CEA、CA153、CA199和C反應蛋白在內的9種標志物，結果顯示基于SVM算法模型的診斷準確率、靈敏性、特異性明顯優(yōu)于BP算法模型(90%

82

、95

85

、85

80%)，提示SVM診斷模型對胃癌的早期預測及診斷準確率較高，有重要的臨床參考價值；白晶等

通過單項及聯(lián)合檢測甲胎蛋白(alpha fetal protein, AFP)、脫-γ-羥基凝血酶原(Des-gamma-carboxy prothrombin, DCP)和高爾基體蛋白73(Golgi pritein 73, GP73)在健康人、慢性乙型肝炎、乙型肝炎病毒(hepatitis B virus, HBV)相關性肝硬化及HBV相關性肝細胞癌(hepatocellular carcinoma, HCC)患者血清中的表達水平來對其在HBV相關性HCC中的診斷價值進行探討，并以此構建SVM鑒別診斷模型對肝病的不同階段進行診斷與識別，結果顯示基于AFP、DCP、GP73的SVM模型可用于不同階段肝病的診斷與識別，為HBV相關性HCC的診斷提供依據(jù)；Zheng等

使用基于最小冗余、最大相關性、最小絕對收縮的SVM選擇算子對100例HCC和216例非HCC患者血液樣本中的基因表達特性進行識別分析，將mRMR和Lasso兩種特征選擇算法與SVM分類模型相結合，識別癌性和非癌性樣本中的特征基因，最終確認22個基因標記在HCC和非癌樣本的分類中表現(xiàn)良好，所有樣本的識別受試者工作特征曲線下面積(area under curve，

)為0.94，且在AFP陰性樣本中

仍為0.93，顯示出基于血液基因組學的SVM算法模型在HCC識別與診斷中的突出優(yōu)勢；Chen等

使用SVM模型識別分析胃癌組織中l(wèi)ncRNA的表達特征，對歸一化的數(shù)據(jù)采用主成分分析算法和前向選擇算法進行特征選擇，最終從12 727個lncRNA中篩選出16個特征lncRNA，在此基礎上的SVM模型在訓練數(shù)據(jù)中的診斷

及95

為0.976(0.952～0.999)，且驗證數(shù)據(jù)的

及95

為0.950(0.889～0.999)，表現(xiàn)出明顯的診斷優(yōu)勢，而在十二指腸腺癌的基因組學研究中，Liu等

對十二指腸腺癌、家族性腺瘤性息肉病及正常人的基因表達差異進行功能富集分析，最終基于篩選出的177個基因設計SVM分類模型，驗證結果顯示分類錯誤率為零，表明該SVM模型可在轉錄水平對家族性腺瘤性息肉病患者進行癌癥風險預測。

徐文銘等

使用基于像素的RGB顏色空間特征提取方法對消化道出血膠囊內鏡圖像進行特征提取，并使用SVM集成軟件LIBSVM進行分析，結果顯示基于線性核函數(shù)和多項式核函數(shù)的SVM模型診斷準確度均達到80%以上，顯示出SVM算法良好的診斷效能；張黎明等

分別使用SVM模型及Logistic回歸模型預測結腸腺瘤高級別上皮內瘤變的發(fā)生情況，最終確定與其發(fā)生相關的12個因素中的2個因素(即病變發(fā)生部位及病變大小)有統(tǒng)計學意義，通過反復訓練和驗證，結果發(fā)現(xiàn)相較于Logistic回歸模型，SVM模型的預測平均準確度、靈敏度和特異度均較高，顯示出SVM預測模型對結腸腺瘤發(fā)生高級別上皮內瘤變具有較好的預測效果；而Kominami等

使用基于結直腸腺瘤性息肉表面微結構特征的SVM算法模型創(chuàng)建的實時內鏡診斷系統(tǒng)，對118個息肉性病變的識別準確度為94.9%，在88個直徑<0.5 cm的微小息肉的識別準確度為93.3%，且對73個腺瘤性息肉進行組織學判斷準確度達到93.0%，極大地提高了結直腸腺瘤性息肉的識別與診斷準確性；Kanesaka等

對早期胃癌的放大NBI圖片中的不規(guī)則微血管應用灰度共生矩陣建立早期胃癌變異特性參數(shù)，使用8灰度共生矩陣從早癌病變微血管圖像中建立P和Q特性向量，并使用SVM模型對其進行識別分析，結果顯示：在61幅癌癥圖像和20幅非癌癥圖像的診斷準確性為96.3%，靈敏度為98.3%，特異度為95%，診斷優(yōu)勢明顯；Ogawa等

也發(fā)現(xiàn)采用SVM進行客觀評價，有助于基于色差的早期胃癌診斷；Zhang等

從153例胰腺癌患者超聲內鏡圖片的感興趣區(qū)域提取紋理特征后，在特征選擇中引入多重分形維數(shù)向量，并采用序列正向選擇進行特征篩選，最終從69種紋理特征中確定22種代表性特征，并以此建立SVM預測模型，通過反復訓練和驗證，結果顯示胰腺癌分類準確度高達99.07%，表明該模型可以提高超聲內鏡診斷胰腺癌的準確性。

近年來，基因組學及蛋白組學研究在醫(yī)療領域發(fā)展迅速，在多種疾病的預測、診斷、病情及預后判斷方面表現(xiàn)突出，但因應用組學方法進行疾病診療時，需要檢測及觀察的指標較多，人工篩選和計算量較大，一定程度上限制了組學方法的應用，而隨著人工智能技術的不斷發(fā)展，以SVW為代表的機器學習方法與組學方法進行有機融合可聯(lián)合發(fā)揮二者在疾病診療中的突出優(yōu)勢，在乙肝、非酒精性脂肪性肝病、肝癌、胃癌等多種消化系統(tǒng)疾病的診療中得到了良好的應用。

第三，加快推進重大水利工程建設。在著力抓好農村飲水安全、防洪薄弱環(huán)節(jié)建設、小型農田水利等民生水利建設的同時，加大組織協(xié)調力度，穩(wěn)步推進南水北調東、中線后續(xù)工程前期論證和西線工程前期工作，加快滇中引水、引江濟淮、珠三角水資源配置、黑龍江三江連通、吉林西部河湖連通等重大引調水和水系連通工程，西江大藤峽、淮河出山店、黃河古賢等控制性樞紐工程，新建大型灌區(qū)工程等前期工作，促進工程盡早開工建設。繼續(xù)推進進一步治理淮河、太湖水環(huán)境綜合治理等大江大河大湖治理，實施黑龍江、松花江、嫩江干流災后治理，加快長江、淮河、海河等流域重要蓄滯洪區(qū)建設。

李琳等

通過收集386例PHC切除術后患者的臨床資料，使用SVM遞歸特征消除方法和5折交叉驗證方法對臨床變量進行重要特征排序以確定最優(yōu)特征子集，并構建患者術后1年、3年無瘤生存期和總體生存率的列線圖，最終從34個臨床特征中篩選出腫瘤大小及個數(shù)、淋巴結轉移、脈管侵犯、腹水等指標可明顯影響患者術后生存率，患者3年無瘤生存風險和總生存風險的列線圖的一致性指數(shù)分別為0.701和0.706，提示使用多類SVM遞歸特征消除方法可提高術后模型預測的準確率；Perakakis等

使用遞歸特征消除算法對非酒精性脂肪肝及正常人血清中的29類脂質、激素和聚糖進行處理去除冗余特征，最終獲得一組包含多種卵磷脂、鞘磷脂、磷脂酸膽堿、磷脂酸乙醇胺片段及酯聯(lián)素和聚糖片段2592在內的10種脂質、激素和多聚糖組合，并結合使用OvS-SVM模型分析判斷患者是否存在非酒精性脂肪性肝炎或肝纖維化，結果顯示其對正常人、非酒精性脂肪性肝炎及肝纖維化患者的區(qū)分

分別為0.97、0.85及0.97，而由5種脂質組成的組合對肝纖維化的識別靈敏度及特異度可達到97%和99%，表現(xiàn)出極高的診斷準確度，說明該方法可用于非酒精性脂肪性肝病的輔助診斷；Jiang等

通過SVM算法分析腫瘤免疫微環(huán)境生物標志物，即腫瘤邊緣區(qū)域的CD3細胞、CD8細胞、CD66b細胞、腫瘤中央的CD45RO細胞及腫瘤組織的CD34細胞、骨膜蛋白含量、環(huán)氧合酶2活性等指標，來預測腫瘤細胞對化療的靈敏度，進而提高對Ⅱ期及Ⅲ期胃癌患者生存和輔助化療獲益的預測準確度，證實該SVM模型可預測生存期，并有潛力識別Ⅱ期和Ⅲ期胃癌受益于輔助化療的患者；Saito等

基于蘇木精和伊紅染色標本的數(shù)字病理圖像，采用線性和徑向基核函數(shù)核SVM方法對肝癌切除術后的早期復發(fā)進行學習和遞推分析預測，預測準確性可達到89.9%，說明數(shù)字病理學和SVM的應用可以用于肝癌手術切除后復發(fā)，特別是早期復發(fā)的高度準確預測。

受自然和人類工程活動的綜合作用，樂山市境內地質災害種類發(fā)育較齊全、數(shù)量多，但分布不均，且具突發(fā)性及不可預見性。地質災害種類以滑坡、崩塌(危巖)為主，其次為潛在不穩(wěn)定斜坡、泥石流、地面塌陷(地面裂縫)。其中滑坡約占50%，崩塌約占30%，潛在不穩(wěn)定斜坡、泥石流、地面塌陷、地裂縫等地質災害約占20%。

3 總結及展望

SVM是一種優(yōu)良的新穎小樣本學習的機器學習方法，在解決小樣本、非線性及高維模式識別問題中具有許多特有的優(yōu)勢，可與多種輔助檢查手段相結合，在多種消化系統(tǒng)疾病的預測、診斷及預后判斷表現(xiàn)出明顯優(yōu)勢，且近年來其在其理論與算法及應用研究方面取得了長足的進步，但在應用研究方面仍比較滯后，限制了其在醫(yī)療領域的廣泛應用，隨著SBM算法及函數(shù)的深入研究和擴展及相關軟件不斷地開發(fā)和應用，相信SVM在臨床醫(yī)學領域的應用會更廣泛，可為更多疾病的早期診斷、病情預測、后期預防、高危人群篩查等提供更為可靠的依據(jù)。

[1] 張會杰, 李恒芬, 李湘露.支持向量機在臨床醫(yī)學中的應用研究進展[J].神經疾病與精神衛(wèi)生, 2017, 17(11): 812-815.DOI: 10.3969/j.issn.1009-6574.2017.11.013.

Zhang HJ, Li HF, Li XL.Application advances of support vector machine in the clinical medicine[J].Neurological Diseases and Mental Health, 2017, 17(11): 812-815.DOI: 10.3969/j.issn.1009-6574.2017.11.013.

[2] Noble WS.What is a support vector machine?[J].Nat Biotechnol, 2006, 24(12): 1565-1567.DOI: 10.1038/nbt1206-1565.

[3] Cervantes J, Garcia-Lamont F, Rodríguez-Mazahua L, et al.A comprehensive survey on support vector machine classification: applications, challenges and trends[J].Neurocomputing, 2020: 408.DOI: 10.1016/j.neucom.2019.10.118.

[4] Huang S, Cai N, Pacheco PP, et al.Applications of support vector machine(SVM)learning in cancer genomics[J].Cancer Genomics Proteomics, 2018, 15(1): 41-51.DOI: 10.21873/cgp.20063.

[6] 溫宗良.支持向量機在中醫(yī)臨床診斷中的研究進展[J].江蘇中醫(yī)藥, 2012, 44(4): 73-75.DOI: 10.3969/j.issn.1672-397X.2012.04.046.

[7] 蘭欣.機器學習算法在醫(yī)療領域中的應用[J].醫(yī)療衛(wèi)生裝備, 2019, 40(3): 93-97.DOI: 10.19745/j.1003-8868.2019076.

Lan X.Application of machine learning algorithm in medical field[J].Chinese Medical Equipment Journal, 2019, 40(3): 93-97.DOI: 10.19745/j.1003-8868.2019076.

[8] Jain V, Jain A, Chauhan A, et al.American Sign Language recognition using Support Vector Machine and Convolutional Neural Network[J].Int J Inf Technol, 2021, 13(3): 1193-1200.DOI: 10.1007/s41870-021-00617-x.

[9] Steardo L, Carbone EA, de Filippis R, et al.Application of support vector machine on fMRI data as biomarkers in schizophrenia diagnosis: a systematic review[J].Front Psychiatry, 2020, 11: 588.DOI: 10.3389/fpsyt.2020.00588.

[10] 張澤瑞, 陳杰, 宋楚平.支持向量機在物品智能推薦中的應用[J].現(xiàn)代計算機, 2020,(31): 19-22.DOI: 10.3969/j.issn.1007-1423.2020.31.003.

Zhang ZR, Chen J, Song CP.Application of support vector machine in item intelligent recommendation[J].Modern Computer, 2020,(31): 19-22.DOI: 10.3969/j.issn.1007-1423.2020.31.003.

[11] 張萍萍, 張建華, 尹咪咪.血清標記物檢測結合智能算法在胃癌診斷中的應用[J].鄭州大學學報(醫(yī)學版), 2016, 51(2): 196-200.DOI: 10.13705/j.issn.1671-6825.2016.02.015.

Zhang PP, Zhang JH, Yin MM.Application of serum marker detection combined with intelligence algo-rithm in diagnosis of gastric cancer[J].Journal of Zhengzhou University(Medical Sciences), 2016, 51(2): 196-200.DOI: 10.13705/j.issn.1671-6825.2016.02.015.

[12] 白晶, 劉海順, 萬鴻飛, 等.乙型肝炎相關性肝癌血清標志物診斷價值及支持向量機鑒別診斷模型的建立[J].中國醫(yī)學裝備, 2019, 16(7): 119-125.DOI: 10.3969/J.ISSN.1672-8270.2019.07.029.

Bai J, Liu HS, Wan HF, et al.The diagnostic value of serum biomarkers of hepatitis B-related HCC and the establishment of differential diagnosis model of SVM[J].China Medical Equipment, 2019, 16(7): 119-125.DOI: 10.3969/J.ISSN.1672-8270.2019.07.029.

[13] Zheng J, Zhu MY, Wu F, et al.A blood-based 22-gene expression signature for hepatocellular carcinoma identification[J].Ann Transl Med, 2020, 8(5): 195.DOI: 10.21037/atm.2020.01.93.

[14] Chen T, Zhang C, Liu Y, et al.A gastric cancer lncRNAs model for MSI and survival prediction based on support vector machine[J].BMC Genomics, 2019, 20(1): 846.DOI: 10.1186/s12864-019-6135-x.

[15] Liu W, Dong J, Ma S, et al.A support vector machine model predicting the risk of duodenal cancer in patients with familial adenomatous polyposis at the transcript levels[J].Biomed Res Int, 2020, 2020: 5807295.DOI: 10.1155/2020/5807295.

[16] 徐文銘, 顏國正, 王志武, 等.一種基于SVM的膠囊內窺鏡出血智能識別方法[J].中國醫(yī)療器械雜志, 2015, 39(1): 9-12.DOI: 10.3969/j.issn.1671-7104.2015.01.05.

Xu WM, Yan GZ, Wang ZW, et al.A method for bleeding detection in endoscopy images using SVM[J].Chinese Journal of Medical Instrumentation, 2015, 39(1): 9-12.DOI: 10.3969/j.issn.1671-7104.2015.01.05.

[17] 張黎明, 劉玉蘭, 康曉平.支持向量機預測結腸腺瘤高級別上皮內瘤變效果研究[J].中國實用內科雜志, 2013, 33(11): 872-875.

Zhang LM, Liu YL, Kang XP.Comparison the prediction effect of colon adenoma high grade intraepithelial neoplasia by support vector machine and logistic regression analysis[J].Chinese Journal of Practical Internal Medicine, 2013, 33(11): 872-875.

[18] Kominami Y, Yoshida S, Tanaka S, et al.Computer-aided diagnosis of colorectal polyp histology by using a real-time image recognition system and narrow-band imaging magnifying colonoscopy[J].Gastrointest Endosc, 2016, 83(3): 643-649.DOI: 10.1016/j.gie.2015.08.004.

[19] Kanesaka T, Lee TC, Uedo N, et al.Computer-aided diagnosis for identifying and delineating early gastric cancers in magnifying narrow-band imaging[J].Gastrointest Endosc, 2018, 87(5): 1339-1344.DOI: 10.1016/j.gie.2017.11.029.

[20] Ogawa R, Nishikawa J, Hideura E, et al.Objective assessment of the utility of chromoendoscopy with a support vector machine[J].J Gastrointest Cancer, 2019, 50(3): 386-391.DOI: 10.1007/s12029-018-0083-6.

[21] Zhang MM, Yang H, Jin ZD, et al.Differential diagnosis of pancreatic cancer from normal tissue with digital imaging processing and pattern recognition based on a support vector machine of EUS images[J].Gastrointest Endosc, 2010, 72(5): 978-985.DOI: 10.1016/j.gie.2010.06.042.

[22] 馮忠園, 葉靖.基于T2WI影像組學鑒別肝細胞癌與肝內膽管細胞癌的研究[J].臨床醫(yī)學研究與實踐, 2020, 5(22): 1-4.DOI: 10.19347/j.cnki.2096-1413.202022001.

Feng ZY, Ye J.Study on the identification of hepatocarcinoma and intrahepatic cholangiocarcinoma based on T2WI radiomics[J].Clinical Research and Practice, 2020, 5(22): 1-4.DOI: 10.19347/j.cnki.2096-1413.202022001.

[23] 劉桐桐.基于影像組學方法的原發(fā)性肝細胞癌微血管侵犯和腫瘤分化等級預測[J].中國醫(yī)學計算機成像雜志, 2018, 24(1): 83-87.DOI: 10.3969/j.issn.1006-5741.2018.01.017.

Liu TT.Prediction of microvascular invasion and hepatocellular carcinoma by ultrasound based on radiomics approach[J].Chin Comput Med Imag, 2018, 24(1): 83-87.DOI: 10.3969/j.issn.1006-5741.2018.01.017.

[24] Chunmei X, Mei H, Yan Z, et al.Diagnostic method of liver cirrhosis based on MR image texture feature extraction and classification algorithm[J].J Med Syst, 2019, 44(1): 11.DOI: 10.1007/s10916-019-1508-x.

[25] 王進, 李智慧, 沈浮, 等.基于高分辨T2WI的影像組學對直腸癌術前分期的應用價值[J].放射學實踐, 2019, 34(11): 1251-1254.DOI: 10.13609/j.cnki.1000-0313.2019.11.016.

Wang J, Li ZH, Shen F, et al.The value of high resolution T2WI-based radiomics in the preoperative staging of rectal cancer[J].Radiology Practice, 2019, 34(11): 1251-1254.DOI: 10.13609/j.cnki.1000-0313.2019.11.016.

[26] Ou J, Li R, Zeng R, et al.CT radiomic features for predicting resectability of oesophageal squamous cell carcinoma as given by feature analysis: a case control study[J].Cancer Imaging, 2019, 19(1): 66.DOI: 10.1186/s40644-019-0254-0.

[27] 李琳, 楊日東, 王哲, 等.基于多類支持向量機遞歸特征消除方法特征選擇的原發(fā)性肝癌患者預后預測[J].生物醫(yī)學工程研究, 2019, 38(1): 32-36.DOI: 10.19529/j.cnki.1672-6278.2019.01.07.

Li L, Yang RD, Wang Z, et al.Prognosis prediction of hepatocellular carcinoma patients based on recursive feature elimination based on multiple support vector machine feature selection[J].Journal of Biomedical Engineering Research, 2019, 38(1): 32-36.DOI: 10.19529/j.cnki.1672-6278.2019.01.07.

[28] Perakakis N, Polyzos SA, Yazdani A, et al.Non-invasive diagnosis of non-alcoholic steatohepatitis and fibrosis with the use of omics and supervised learning: a proof of concept study[J].Metabolism, 2019, 101: 154005.DOI: 10.1016/j.metabol.2019.154005.

[29] Jiang Y, Xie J, Huang W, et al.Tumor immune microenvironment and chemosensitivity signature for predicting response to chemotherapy in gastric cancer[J].Cancer Immunol Res, 2019, 7(12): 2065-2073.DOI: 10.1158/2326-6066.CIR-19-0311.

[30] Saito A, Toyoda H, Kobayashi M, et al.Prediction of early recurrence of hepatocellular carcinoma after resection using digital pathology images assessed by machine learning[J].Modern Pathol, 2020, 34(2): 417-425.DOI: 10.1038/s41379-020-00671-z.