癌癥已成為當今社會威脅人類身體健康的一個不可忽視的問題。傳統(tǒng)的癌癥診斷方式通常采用細胞形態(tài)學,組織病理學等方式。隨著機器學習技術在計算機視覺,自然語言處理和語音識別等方面都取得了不錯的應用效果,利用機器學習技術對癌癥進行預測成為了一種新的可操作方式。根據(jù)癌癥檢測的主要內(nèi)容,本文將機器學習技術應用于智能醫(yī)療領域,分別針對癌癥易感性,癌癥幸存性與癌癥復發(fā)性構(gòu)建模型,輔助醫(yī)生進行診斷決策。本文的主要研究內(nèi)容和主要貢獻如下:(1)對宮頸癌易感性問題進行研究。針對宮頸癌診斷中存在的類別不平衡問題以及過濾無效特征的問題,本文從數(shù)據(jù)分布、模型精度和特征數(shù)量角度出發(fā),提出了一種結(jié)合粒子群算法與合成少數(shù)類過采樣算法的方法。以此方法與多種機器學習模型對宮頸癌易感性進行研究,旨在解決數(shù)據(jù)集中的類別不平衡以及過濾無效特征的問題。其中本文所用的合成少數(shù)類過采樣算法能夠較好的模擬數(shù)據(jù)分布,粒子群算法不僅考慮了模型精度,而且兼顧了特征數(shù)量自動選取問題,相比較于傳統(tǒng)模型采用的遞歸特征消除方法和主成分分析方法,該方法避免了手動設置特征數(shù)量的缺點。實驗表明,該方法優(yōu)于傳統(tǒng)方法并能有效提高模型性能。(2)對肺癌幸存性問題進...

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 研究現(xiàn)狀
        1.2.1 基于機器學習的癌癥易感性研究現(xiàn)狀
        1.2.2 基于機器學習的癌癥幸存性研究現(xiàn)狀
        1.2.3 基于機器學習的癌癥復發(fā)性研究現(xiàn)狀
    1.3 本文的研究內(nèi)容與組織結(jié)構(gòu)
        1.3.1 本文的研究內(nèi)容
        1.3.2 本文的組織結(jié)構(gòu)
第二章 機器學習相關理論及算法
    2.1 機器學習理論
    2.2 機器學習常用算法
        2.2.1 支持向量機
        2.2.2 神經(jīng)網(wǎng)絡
        2.2.3 隨機森林
        2.2.4 梯度提升樹
    2.3 特征選擇
    2.4 本章小結(jié)
第三章 基于合成少數(shù)類過采樣算法和粒子群優(yōu)化的宮頸癌預測模型
    3.1 引言
    3.2 合成少數(shù)類過采樣算法
    3.3 粒子群算法
    3.4 實驗設計
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 實驗流程
        3.4.3 評價指標
    3.5 實驗結(jié)果
        3.5.1 目標變量:HINSELMANN
        3.5.2 目標變量:SCHILLER
        3.5.3 目標變量:CITOLOGY
        3.5.4 目標變量:BIOPSY
        3.5.5 結(jié)果對比
    3.6 本章小結(jié)
第四章 基于LIGHTGBM和特征選擇的肺癌患者幸存時間預測模型
    4.1 引言
    4.2 LIGHTGBM
    4.3 遺傳算法
    4.4 實驗設計
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 實驗流程
    4.5 實驗結(jié)果
        4.5.1 無特征選擇階段的分類評價
        4.5.2 使用遺傳算法進行特征選擇階段的分類評價
        4.5.3 使用粒子群算法進行特征選擇階段的分類評價
        4.5.4 比較分析階段
        4.5.5 特征重要性
    4.6 本章小結(jié)
第五章 基于堆疊網(wǎng)絡的乳腺癌復發(fā)預測模型
    5.1 引言
    5.2 堆疊網(wǎng)絡
    5.3 實驗設計
        5.3.1 實驗數(shù)據(jù)集
        5.3.2 實驗流程
    5.4 實驗結(jié)果
        5.4.1 無特征選擇階段的分類評價
        5.4.2 有特征選擇階段的分類評價
        5.4.3 比較分析階段
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來展望
致謝
參考文獻



本文編號：3767546