目的回顾分析西安交大一附院上皮性卵巢癌患者一线化疗中的实际平均卡铂剂量,按照Calvert公式反推出曲线下面积(area under the curve,AUC),比较AUC剂量的差异对中国人群的疗效和安全性影响。方法纳入2012年1月1日至2022年1月1日之间在...目的回顾分析西安交大一附院上皮性卵巢癌患者一线化疗中的实际平均卡铂剂量,按照Calvert公式反推出曲线下面积(area under the curve,AUC),比较AUC剂量的差异对中国人群的疗效和安全性影响。方法纳入2012年1月1日至2022年1月1日之间在西安交大一附院首次接受紫杉醇+卡铂3周疗方案一线化疗的患者。根据AUC中位数,将患者分为高剂量和低剂量组,比较其客观缓解率(overall response rate,ORR)、疾病控制率(disease control rate,DCR)、无进展生存期(progression free survival,PFS)和总生存期(overall survival,OS),以及不良事件(adverse events,AEs)的发生率。结果共纳入153例患者,卡铂AUC的中位数为3.981(2.314~5.446)。AUC≥5的患者只有10.46%(16/153)。77例患者AUC<4,76例患者AUC≥4,两组患者基线特性无统计学差异(P>0.05)。两组的ORR分别为59.74%和57.89%,DCR分别为87.01%和85.53%;中位PFS分别为14、15.5个月,中位OS分别为50、55个月。上述结局指标在组间均无统计学差异(P>0.05)。血液学AEs中血红蛋白、中性粒细胞和血小板减少在组间有统计学差异;恶心呕吐、腹泻便秘、1-2级发热在组间有统计学差异(P<0.05)。此外,剂量限制性毒性(dose limiting toxicity,DLT)指标包括4级血小板减少和发热性中性粒细胞减少,在高剂量组发生率显著升高(P<0.05)。结论与国外指南推荐的卡铂AUC 5-6比较,我院卵巢癌一线化疗实际卡铂给药剂量普遍不足。低剂量组和高剂量组患者疗效没有统计学差异,但是鉴于高剂量组部分AEs发生风险增加、DLT风险增加,不建议盲目增加卡铂AUC剂量。展开更多
接收者操作特性(Receiver operating characteristics,ROC)曲线下面积(Area under the ROC curve,AUC)常被用于度量分类器在整个类先验分布上的总体分类性能.原始Boosting算法优化分类精度,但在AUC度量下并非最优.提出了一种AUC优化Boos...接收者操作特性(Receiver operating characteristics,ROC)曲线下面积(Area under the ROC curve,AUC)常被用于度量分类器在整个类先验分布上的总体分类性能.原始Boosting算法优化分类精度,但在AUC度量下并非最优.提出了一种AUC优化Boosting改进算法,通过在原始Boosting迭代中引入数据重平衡操作,实现弱学习算法优化目标从精度向AUC的迁移.实验结果表明,较之原始Boosting算法,新算法在AUC度量下能获得更好性能.展开更多
准确率一直被作为分类器预测性能的主要评估标准，但是它存在着诸多的缺点和不足。本文将准确率与AUC（the area under the Receiver Operating Characteristic curve）进行了理论上的对比分析，并分别使用AUC和准确率对3种分类学习算法...准确率一直被作为分类器预测性能的主要评估标准，但是它存在着诸多的缺点和不足。本文将准确率与AUC（the area under the Receiver Operating Characteristic curve）进行了理论上的对比分析，并分别使用AUC和准确率对3种分类学习算法在15个两类数据集上进行了评估。综合理论和实验两个方面的结果，显示了AUC不但优于而且应该替代准确率，成为更好的分类器性能的评估度量。同时，用AUC对3种分类学习算法的重新评估，进一步证实了基于贝叶斯定理的Naive Bayes和TAN-CMI分类算法优于决策树分类算法C4．5。展开更多
AUC(area under the ROC curve)优化问题的损失函数由来自不同类别的样本对构成,这使得依赖于损失函数之和的目标函数与训练样本数二次相关,不能直接使用传统在线学习方法求解.当前的在线AUC优化算法聚焦于在求解过程中避免直接计算所...AUC(area under the ROC curve)优化问题的损失函数由来自不同类别的样本对构成,这使得依赖于损失函数之和的目标函数与训练样本数二次相关,不能直接使用传统在线学习方法求解.当前的在线AUC优化算法聚焦于在求解过程中避免直接计算所有的损失函数,以减小问题的规模,实现在线AUC优化.针对以上问题提出了一种AUC优化的新目标函数,该目标函数仅与训练样本数线性相关;理论分析表明:最小化该目标函数等价于最小化由L2正则化项和最小二乘损失函数组成的AUC优化的目标函数.基于新的目标函数,提出了在线AUC优化的线性方法(linear online AUC maximization,LOAM);根据不同的分类器更新策略,给出2种算法LOAMILSC和LOAMAda.实验表明:与原有方法相比,LOAMILSC算法获得了更优的AUC性能,而对于实时或高维学习任务,LOAMAda算法更加高效.展开更多
文摘目的回顾分析西安交大一附院上皮性卵巢癌患者一线化疗中的实际平均卡铂剂量,按照Calvert公式反推出曲线下面积(area under the curve,AUC),比较AUC剂量的差异对中国人群的疗效和安全性影响。方法纳入2012年1月1日至2022年1月1日之间在西安交大一附院首次接受紫杉醇+卡铂3周疗方案一线化疗的患者。根据AUC中位数,将患者分为高剂量和低剂量组,比较其客观缓解率(overall response rate,ORR)、疾病控制率(disease control rate,DCR)、无进展生存期(progression free survival,PFS)和总生存期(overall survival,OS),以及不良事件(adverse events,AEs)的发生率。结果共纳入153例患者,卡铂AUC的中位数为3.981(2.314~5.446)。AUC≥5的患者只有10.46%(16/153)。77例患者AUC<4,76例患者AUC≥4,两组患者基线特性无统计学差异(P>0.05)。两组的ORR分别为59.74%和57.89%,DCR分别为87.01%和85.53%;中位PFS分别为14、15.5个月,中位OS分别为50、55个月。上述结局指标在组间均无统计学差异(P>0.05)。血液学AEs中血红蛋白、中性粒细胞和血小板减少在组间有统计学差异;恶心呕吐、腹泻便秘、1-2级发热在组间有统计学差异(P<0.05)。此外,剂量限制性毒性(dose limiting toxicity,DLT)指标包括4级血小板减少和发热性中性粒细胞减少,在高剂量组发生率显著升高(P<0.05)。结论与国外指南推荐的卡铂AUC 5-6比较,我院卵巢癌一线化疗实际卡铂给药剂量普遍不足。低剂量组和高剂量组患者疗效没有统计学差异,但是鉴于高剂量组部分AEs发生风险增加、DLT风险增加,不建议盲目增加卡铂AUC剂量。
文摘接收者操作特性(Receiver operating characteristics,ROC)曲线下面积(Area under the ROC curve,AUC)常被用于度量分类器在整个类先验分布上的总体分类性能.原始Boosting算法优化分类精度,但在AUC度量下并非最优.提出了一种AUC优化Boosting改进算法,通过在原始Boosting迭代中引入数据重平衡操作,实现弱学习算法优化目标从精度向AUC的迁移.实验结果表明,较之原始Boosting算法,新算法在AUC度量下能获得更好性能.
文摘准确率一直被作为分类器预测性能的主要评估标准，但是它存在着诸多的缺点和不足。本文将准确率与AUC（the area under the Receiver Operating Characteristic curve）进行了理论上的对比分析，并分别使用AUC和准确率对3种分类学习算法在15个两类数据集上进行了评估。综合理论和实验两个方面的结果，显示了AUC不但优于而且应该替代准确率，成为更好的分类器性能的评估度量。同时，用AUC对3种分类学习算法的重新评估，进一步证实了基于贝叶斯定理的Naive Bayes和TAN-CMI分类算法优于决策树分类算法C4．5。
文摘AUC(area under the ROC curve)优化问题的损失函数由来自不同类别的样本对构成,这使得依赖于损失函数之和的目标函数与训练样本数二次相关,不能直接使用传统在线学习方法求解.当前的在线AUC优化算法聚焦于在求解过程中避免直接计算所有的损失函数,以减小问题的规模,实现在线AUC优化.针对以上问题提出了一种AUC优化的新目标函数,该目标函数仅与训练样本数线性相关;理论分析表明:最小化该目标函数等价于最小化由L2正则化项和最小二乘损失函数组成的AUC优化的目标函数.基于新的目标函数,提出了在线AUC优化的线性方法(linear online AUC maximization,LOAM);根据不同的分类器更新策略,给出2种算法LOAMILSC和LOAMAda.实验表明:与原有方法相比,LOAMILSC算法获得了更优的AUC性能,而对于实时或高维学习任务,LOAMAda算法更加高效.
