Summary

Background

 From 2003 to 2005, standardised 5-year cancer survival in China was much lower than in developed countries and varied substantially by geographical area. Monitoring population-level cancer survival is crucial to the understanding of the overall effectiveness of cancer care. We therefore aimed to investigate survival statistics for people with cancer in China between 2003 and 2015. 

Methods

 We used population-based data from 17 cancer registries in China. Data for the study population was submitted by the end of July 31, 2016, with follow-up data on vital status obtained on Dec 31, 2015. We used anonymised, individual cancer registration records of patients (aged 0–99 years) diagnosed with primary, invasive cancers from 2003 to 2013. Patients eligible for inclusion had data for demographic characteristics, date of diagnosis, anatomical site, morphology, behaviour code, vital status, and last date of contact. We analysed 5-year relative survival by sex, age, and geographical area, for all cancers combined and 26 different cancer types, between 2003 and 2015. We stratified survival estimates by calendar period (2003–05, 2006–08, 2009–11, and 2012–15). 

Findings

 There were 678 842 records of patients with invasive cancer who were diagnosed between 2003 and 2013. Of these records, 659 732 (97·2%) were eligible for inclusion in the final analyses. From 2003–05 to 2012–15, age-standardised 5-year relative survival increased substantially for all cancers combined, for both male and female patients, from 30·9% (95% CI 30·6–31·2) to 40·5% (40·3–40·7). Age-standardised 5-year relative survival also increased for most cancer types, including cancers of the uterus (average change per calendar period 5·5% [95% CI 2·5–8·5]), thyroid (5·4% [3·2–7·6]), cervix (4·5% [2·9–6·2]), and bone (3·2% [2·1–4·4]). In 2012–15, age-standardised 5-year survival for all patients with cancer was higher in urban areas (46·7%, 95% CI 46·5–47·0) than in rural areas (33·6%, 33·3–33·9), except for patients with oesophageal or cervical cancer; but improvements in survival were greater for patients residing in rural areas than in urban areas. Relative survival decreased with increasing age. The increasing trends in survival were consistent with the upward trends of medical expenditure of the country during the period studied. 

Interpretation

 There was a marked overall increase in cancer survival from 2003 to 2015 in the population covered by these cancer registries in China, possibly reflecting advances in the quality of cancer care in these areas. The survival gap between urban and rural areas narrowed over time, although geographical differences in cancer survival remained. Insight into these trends will help prioritise areas that need increased cancer care. 

Funding

 National Key R&D Program of China, PUMC Youth Fund and the Fundamental Research Funds for the Central Universities, and Major State Basic Innovation Program of the Chinese Academy of Medical Sciences.

Next-generation wireless networks are expected to support extremely high data rates and radically new applications, which require a new wireless radio technology paradigm. The challenge is that of assisting the radio in intelligent adaptive learning and decision making, so that the diverse requirements of next-generation wireless networks can be satisfied. Machine learning is one of the most promising artificial intelligence tools, conceived to support smart radio terminals. Future smart 5G mobile terminals are expected to autonomously access the most meritorious spectral bands with the aid of sophisticated spectral efficiency learning and inference, in order to control the transmission power, while relying on energy efficiency learning/inference and simultaneously adjusting the transmission protocols with the aid of quality of service learning/inference. Hence we briefly review the rudimentary concepts of machine learning and propose their employment in the compelling applications of 5G networks, including cognitive radios, massive MIMOs, femto/small cells, heterogeneous networks, smart grid, energy harvesting, device-todevice communications, and so on. Our goal is to assist the readers in refining the motivation, problem formulation, and methodology of powerful machine learning algorithms in the context of future networks in order to tap into hitherto unexplored applications and services.

The growing popularity and development of data mining technologies bring serious threat to the security of individual,'s sensitive information. An emerging research topic in data mining, known as privacy-preserving data mining (PPDM), has been extensively studied in recent years. The basic idea of PPDM is to modify the data in such a way so as to perform data mining algorithms effectively without compromising the security of sensitive information contained in the data. Current studies of PPDM mainly focus on how to reduce the privacy risk brought by data mining operations, while in fact, unwanted disclosure of sensitive information may also happen in the process of data collecting, data publishing, and information (i.e., the data mining results) delivering. In this paper, we view the privacy issues related to data mining from a wider perspective and investigate various approaches that can help to protect sensitive information. In particular, we identify four different types of users involved in data mining applications, namely, data provider, data collector, data miner, and decision maker. For each type of user, we discuss his privacy concerns and the methods that can be adopted to protect sensitive information. We briefly introduce the basics of related research topics, review state-of-the-art approaches, and present some preliminary thoughts on future research directions. Besides exploring the privacy-preserving approaches for each type of user, we also review the game theoretical approaches, which are proposed for analyzing the interactions among different users in a data mining scenario, each of whom has his own valuation on the sensitive information. By differentiating the responsibilities of different users with respect to security of sensitive information, we would like to provide some useful insights into the study of PPDM.

Future wireless networks have a substantial potential in terms of supporting a broad range of complex compelling applications both in military and civilian fields, where the users are able to enjoy high-rate, low-latency, low-cost and reliable information services. Achieving this ambitious goal requires new radio techniques for adaptive learning and intelligent decision making because of the complex heterogeneous nature of the network structures and wireless services. Machine learning (ML) algorithms have great success in supporting big data analytics, efficient parameter estimation and interactive decision making. Hence, in this article, we review the thirty-year history of ML by elaborating on supervised learning, unsupervised learning, reinforcement learning and deep learning. Furthermore, we investigate their employment in the compelling applications of wireless networks, including heterogeneous networks (HetNets), cognitive radios (CR), Internet of things (IoT), machine to machine networks (M2M), and so on. This article aims for assisting the readers in clarifying the motivation and methodology of the various ML algorithms, so as to invoke them for hitherto unexplored services as well as scenarios of future wireless networks.

Millimeter wave (mmWave) communication technologies have recently emerged as an attractive solution to meet the exponentially increasing demand on mobile data traffic. Moreover, ultra dense networks (UDNs) combined with mmWave technology are expected to increase both energy efficiency and spectral efficiency. In this paper, user association and power allocation in mmWave-based UDNs is considered with attention to load balance constraints, energy harvesting by base stations, user quality of service requirements, energy efficiency, and cross-tier interference limits. The joint user association and power optimization problem are modeled as a mixed-integer programming problem, which is then transformed into a convex optimization problem by relaxing the user association indicator and solved by Lagrangian dual decomposition. An iterative gradient user association and power allocation algorithm is proposed and shown to converge rapidly to an optimal point. The complexity of the proposed algorithm is analyzed and its effectiveness compared with existing methods is verified by simulations.

Unmanned aerial vehicles (UAVs) have been widely used in both military and civilian applications. However, the cooperation of small and mini drones in a network is capable of further improving the performance and the coverage area of UAVs. There are numerous new challenges to be solved before the widespread introduction of multi-UAV-based heterogeneous flying ad hoc networks (FANET), including the formulation of a stable network structure. Meanwhile, an efficient gateway-selection algorithm and management mechanism is required. However, the stability control of the hierarchical UAV network guarantees the efficient collaboration of the drones. In this article, we begin by surveying the FANET structure and its protocol architecture. Then, a variety of distributed gateway-selection algorithms and cloud-based stability-control mechanisms are addressed, complemented by a range of open challenges.

Femtocells are being considered a promising technique to improve the capacity and coverage for indoor wireless users. However, the cross-tier interference in the spectrum-sharing deployment of femtocells can degrade the system performance seriously. The resource allocation problem in both the uplink and the downlink for two-tier networks comprising spectrum-sharing femtocells and macrocells is investigated. A resource allocation scheme for cochannel femtocells is proposed, aiming to maximize the capacity for both delay-sensitive users and delay-tolerant users subject to the delay-sensitive users' quality-of-service constraint and an interference constraint imposed by the macrocell. The subchannel and power allocation problem is modeled as a mixed-integer programming problem, and then, it is transformed into a convex optimization problem by relaxing subchannel sharing; finally, it is solved by the dual decomposition method. Subsequently, an iterative subchannel and power allocation algorithm considering heterogeneous services and cross-tier interference is proposed for the problem using the subgradient update. A practical low-complexity distributed subchannel and power allocation algorithm is developed to reduce the computational cost. The complexity of the proposed algorithms is analyzed, and the effectiveness of the proposed algorithms is verified by simulations.

Cognitive small cell networks have been envisioned as a promising technique for meeting the exponentially increasing mobile traffic demand. Recently, many technological issues pertaining to cognitive small cell networks have been studied, including resource allocation and interference mitigation, but most studies assume non-cooperative schemes or perfect channel state information (CSI). Different from the existing works, we investigate the joint uplink subchannel and power allocation problem in cognitive small cells using cooperative Nash bargaining game theory, where the cross-tier interference mitigation, minimum outage probability requirement, imperfect CSI and fairness in terms of minimum rate requirement are considered. A unified analytical framework is proposed for the optimization problem, where the near optimal cooperative bargaining resource allocation strategy is derived based on Lagrangian dual decomposition by introducing time-sharing variables and recalling the Lambert-W function. The existence, uniqueness, and fairness of the solution to this game model are proved. A cooperative Nash bargaining resource allocation algorithm is developed, and is shown to converge to a Pareto-optimal equilibrium for the cooperative game. Simulation results are provided to verify the effectiveness of the proposed cooperative game algorithm for efficient and fair resource allocation in cognitive small cell networks.

Unmanned aerial vehicles (UAVs) have been widely used to provide enhanced information coverage as well as relay services for ground Internet-of-Things (IoT) networks. Considering the substantially limited processing capability, the IoT devices may not be able to tackle with heavy computing tasks. In this article, a multi-UAV-aided mobile-edge computing (MEC) system is constructed, where multiple UAVs act as MEC nodes in order to provide computing offloading services for ground IoT nodes which have limited local computing capabilities. For the sake of balancing the load for UAVs, the differential evolution (DE)-based multi-UAV deployment mechanism is proposed, where we model the access problem as a generalized assignment problem (GAP), which is then solved by a near-optimal solution algorithm. Based on this, we are capable of achieving the load balance of these drones while guaranteeing the coverage constraint and satisfying the quality of service (QoS) of IoT nodes. Furthermore, a deep reinforcement learning (DRL) algorithm is conceived for the task scheduling in a certain UAV, which improves the efficiency of the task execution in each UAV. Finally, sufficient simulation results show the feasibility and superiority of our proposed load-balance-oriented UAV deployment scheme as well as the task scheduling algorithm.

To satisfy the expected plethora of demanding services, the future generation of wireless networks (6G) has been mandated as a revolutionary paradigm to carry forward the capacities of enhanced broadband, massive access, and ultrareliable and lowlatency service in 5G wireless networks to a more powerful and intelligent level. Recently, the structure of 6G networks has tended to be extremely heterogeneous, densely deployed, and dynamic. Combined with tight quality of service (QoS), such complex architecture will result in the untenability of legacy network operation routines. In response, artificial intelligence (AI), especially machine learning (ML), is emerging as a fundamental solution to realize fully intelligent network orchestration and management. By learning from uncertain and dynamic environments, AI-/ML-enabled channel estimation and spectrum management will open up opportunities for bringing the excellent performance of ultrabroadband techniques, such as terahertz communications, into full play. Additionally, challenges brought by ultramassive access with respect to energy and security can be mitigated by applying AI-/ML-based approaches. Moreover, intelligent mobility management and resource allocation will guarantee the ultrareliability and low latency of services. Concerning these issues, this article introduces and surveys some state-of-the-art techniques based on AI/ML and their applications in 6G to support ultrabroadband, ultramassive access, and ultrareliable and lowlatency services.