对比文件名称：2002-11-07_US2002165837A_发明申请_US20020165837A1 Computer-aided image analysis
目标专利名称：将系统数据缩放集成到基于遗传算法的特征子集选择中的方法和装置 CN101501712B
本次调用的模型名称：未指定（AI Assistant）
| 技术特征描述及公开性判断 | 对比文件原文引用（翻译） | 公开性论述 |
| 技术特征A：使用系统数据缩放方法。**不公开** | 对比文件[0061]：“Input values will be individually scaled to lie between 0 and 1”（输入值将被单独缩放到0和1之间）。此外，[0044]提及预处理中可进行数据清洗，但未涉及系统数据缩放。 | 对比文件中的缩放仅为特征值的归一化，而目标专利的“系统数据缩放”是一种用于训练集选择的特定方法（通过Tomek链去除假结节并控制比例），两者目的、手段完全不同。对比文件未公开任何类似系统数据缩放的技术方案，故本领域技术人员无法从对比文件得出该特征。 |
| 技术特征B：从一组训练案例中选择训练集。**隐含公开** | 对比文件[0044]：“pre-processing the training data set may also comprise... cleaning up or filtering a data set in order to remove, repair or replace dirty data points.”（预处理训练数据集还可以包括……清理或过滤数据集以移除、修复或替换脏数据点。） | 对比文件公开了通过过滤去除数据点，这相当于从原始训练案例中剔除了部分样本，剩余的数据集即构成了选择的训练集。虽然目标专利的选择训练集是系统数据缩放的一部分，但对比文件至少隐含了从训练案例中选取子集的操作。本领域技术人员可以合理推断对比文件隐含公开了“从一组训练案例中选择训练集”。 |
| 技术特征C：使用分类方法。**直接公开** | 对比文件[0002]：“The present invention relates generally to computer-aided analysis of images and more particularly to computer-aided image analysis using support vector machines.”（本发明一般涉及图像的计算机辅助分析，更具体地涉及使用支持向量机的计算机辅助图像分析。） | 对比文件明确使用支持向量机（SVM），SVM是一种经典的分类方法。因此，本领域技术人员可直接、毫无疑义地确定对比文件公开了“使用分类方法”。 |
| 技术特征D：基于所述训练集来创建分类器。**直接公开** | 对比文件[0048]：“At step 210, the SVM is trained using the pre-processed training data to generate an optimal hyperplane.”（在步骤210，使用预处理后的训练数据训练SVM以生成最优超平面。） | 对比文件清楚描述了利用训练集训练SVM，即基于训练集创建分类器（SVM分类器）。因此，该特征被直接公开。 |
| 技术特征E：其中所述系统数据缩放方法和所述分类方法产生所述分类器。**不公开** | 对比文件无相关公开内容。 | 对比文件仅公开了分类方法（SVM）产生分类器，但未公开系统数据缩放方法，更未公开两者结合产生分类器。因此，该特征未被公开。 |
| 技术特征F：从而减少假阳性并提高分类准确性。**隐含公开** | 对比文件[0062]表2显示测试输出中包含“False positives: 6”（假阳性：6）和“False negatives: 4”（假阴性：4），且整体目标为提高分类性能。 | 对比文件通过SVM分类器进行图像分析，其测试结果明确关联假阳性数量，本领域技术人员可以理解SVM分类器的目的是减少错误分类（包括假阳性），从而提高分类准确性。虽然未直接陈述该效果，但该效果是分类器的固有特性，因此隐含公开。 |
| 技术特征G：其中所述分类器从由支持向量机、神经网络和决策树组成的组中进行选择。**直接公开** | 对比文件[0002]明确使用支持向量机；[0005]：“Machine-learning approaches, which include neural networks, hidden Markov models, belief networks and support vector machines”（机器学习方法包括神经网络、隐马尔可夫模型、置信网络和支持向量机）。 | 对比文件直接公开了支持向量机作为分类器，而支持向量机是该组中的明确选项。虽然未公开决策树，但本领域技术人员可以直接从对比文件得出使用SVM的方案，该特征因公开了SVM而被直接公开（至少部分公开）。 |
| 技术特征H：译。**不适用** | 无。 | 该特征仅为翻译标注，不构成技术特征，无法进行公开性判断，视为未被公开。 |
| 技术特征I：所述方法进一步包括使用测试集对基于所述训练集由所述分类方法产生的所述分类器进行评价。**直接公开** | 对比文件[0045]：“A test data set is pre-processed in the same manner as was the training data set. Then, the trained learning machine is tested using the pre-processed test data set.”（测试数据集按照与训练数据集相同的方式预处理。然后，使用预处理后的测试数据集测试训练后的学习机。） | 对比文件明确披露了使用测试集对训练后的分类器进行测试（评价），因此本特征被直接公开。 |
| 技术特征J：译。**不适用** | 无。 | 该特征仅为翻译标注，不构成技术特征，无法进行公开性判断，视为未被公开。 |
| 技术特征K：其中选择进一步包括从所述训练集中去除与真结节形成Tomek链的假结节。**不公开** | 对比文件无相关公开内容。 | 对比文件未涉及“Tomek链”、“结节”或类似概念，也未公开通过去除特定假结节来训练集的方法。因此，该特征未被公开。 |
| 技术特征L：直到满足一个阈值。**不公开** | 对比文件无相关公开内容。 | 对比文件未公开任何与去除假结节相关的阈值。因此，该特征未被公开。 |
| 技术特征M：译。**不适用** | 无。 | 该特征仅为翻译标注，不构成技术特征，无法进行公开性判断，视为未被公开。 |
| 技术特征N：其中相对于向下缩放因子x来确定所述阈值。**不公开** | 对比文件无相关公开内容。 | 对比文件未公开“向下缩放因子”或类似参数。因此，该特征未被公开。 |
| 技术特征O：使得在系统数据缩放后留在所述训练集中的假结节的数量不超过所述训练集中的真结节的数量的x倍。**不公开** | 对比文件无相关公开内容。 | 对比文件未公开任何关于假结节与真结节数量比例的控制规则。因此，该特征未被公开。 |
| 技术特征P：译。**不适用** | 无。 | 该特征仅为翻译标注，不构成技术特征，无法进行公开性判断，视为未被公开。 |
| 技术特征Q：其中所述方法进一步包括利用该组训练案例或其子集来验证所述分类器。**隐含公开** | 对比文件[0045]公开了使用独立的测试集进行验证，但未明确排除使用训练案例的子集。在机器学习领域，常采用交叉验证等方法利用训练子集进行验证。 | 虽然对比文件侧重使用测试集，但本领域技术人员根据常规实践可以合理推断可以利用训练案例的子集（如验证集）来验证分类器。对比文件未明确否定这种做法，且该做法属于本领域公知常识，因此隐含公开。 |
| 技术特征R：译。**不适用** | 无。 | 该特征仅为翻译标注，不构成技术特征，无法进行公开性判断，视为未被公开。 |
<<<C>>><<<D>>><<<G>>><<<I>>><<<b>>><<<f>>><<<q>>>