对比文件名称：2004-06-24_US2004122787A_发明申请_US20040122787A1 Enhanced computer-assisted medical data processing system and method
目标专利名称：1327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：大语言模型分析
## 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| A: 使用系统数据缩放方法 <未公开> | [0071] “data enhancement circuits and software used to perform image and other types of data scaling, reconstruction, and display.” | 对比文件中的“data scaling”是指图像数据处理中的像素值缩放，而目标专利中的“系统数据缩放方法”特指通过去除假阳性案例（如Tomek链）来系统性地缩放训练集，两者在技术方案、功能和作用上均完全不同，本领域技术人员无法从对比文件得出该技术方案，因此未公开。 |
| B: 从一组训练案例中选择训练集 <直接公开> | [0301] “The neural network is trained by the back-propagation algorithm using pairs of training input data and desired output data.” | 对比文件明确描述了使用训练数据对来训练神经网络，这是选择训练集的直接体现，本领域技术人员可以直接、毫无疑义地确定该技术特征。 |
| C: 使用分类方法 <直接公开> | [0006] “An increasing number of applications are being developed for analyzing medical data based upon feature identification and classification algorithms.” | 对比文件整体技术方案的核心就是利用分类算法进行医学数据分析，因此“使用分类方法”这一技术特征被直接公开。 |
| D: 基于所述训练集来创建分类器 <直接公开> | [0301] “The neural network is trained by the back-propagation algorithm using pairs of training input data and desired output data. ... The internal parameters of the neural network are adjusted to minimize the difference...” | 对比文件描述了通过训练集调整神经网络参数以创建分类器，直接公开了基于训练集创建分类器。 |
| 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 <未公开> | 无对应内容 | 对比文件未公开“系统数据缩放方法”，因此无法公开该特征中特定缩放方法与分类方法共同产生分类器的关联。 |
| F: 从而减少假阳性并提高分类准确性 <直接公开> | [0007] “There is a need, therefore, for a technique directed to improving performance of medical data processing algorithms...” | 对比文件的目的在于提高医疗数据处理算法的性能，减少假阳性并提高准确性是其固有目标，因此该特征被直接公开。 |
| 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> | [0299] “Neural networks...” [0414] “...Bayesian classifiers, neural networks, rule-based methods, fuzzy logic or other suitable techniques can be used for classification.” | 对比文件明确公开了神经网络作为分类器。其公开的“其他合适的技术”作为上位概念，实质上涵盖了支持向量机和决策树等本领域公知的标准分类器，因此该特征被直接公开。 |
| I: 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> | [0301] “The neural network is trained... Once trained sufficiently, the neural network can distinguish... A testing process is involved.” | 对比文件描述了训练后的测试过程，即使用测试集来评价分类器的性能，因此该特征被直接公开。 |
| 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 <未公开> | 无对应内容 | 对比文件没有提及Tomek链接、Tomek链或基于该数据清洗概念去除样本的任何技术内容，因此该特征未被公开。 |
| L: 直到满足一个阈值 <未公开> | 无对应内容 | 对比文件未公开任何关于通过阈值来判断数据缩放停止条件的技术方案。 |
| N: 其中相对于向下缩放因子x来确定所述阈值 <未公开> | 无对应内容 | 对比文件未公开任何关于向下缩放因子x的概念。 |
| 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 <未公开> | 无对应内容 | 对比文件未公开通过数学关系（x倍）来限制训练集中假结节数量的技术特征。 |
| 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 <直接公开> | [0301] “The neural network is trained... Once trained sufficiently, the neural network can distinguish...” | 对比文件描述了训练和验证过程，验证是机器学习模型建立的常规步骤，该特征被直接公开。 |
<<<B>>><<<C>>><<<D>>><<<F>>><<<G>>><<<I>>><<<Q>>>