近年來,乳腺癌的發(fā)病率和死亡率持續(xù)升高,對乳腺癌患者進行精準的生存期預測已成為癌癥研究領域的熱點問題。準確的生存期預測能夠為醫(yī)務工作者和病人家屬提供科學的治療憑據(jù),同時避免患者過度治療所造成的醫(yī)療資源浪費。乳腺癌是一種惡性腫瘤疾病,它的產(chǎn)生和發(fā)展與基因密切相關。隨著生物測序技術的進步,生物信息學領域積累了大規(guī)模組學數(shù)據(jù),這為研究者全方位了解生物學過程夯實了基礎。在乳腺癌生存期預測研究中,基因表達數(shù)據(jù)從微觀生物學層面反映腫瘤的生物特性,對癌癥預后和治療有重要的應用價值。臨床數(shù)據(jù)包含了豐富的病理學特征,為乳腺癌患者的生存期預測提供理論依據(jù)。如何有效地融合基因表達數(shù)據(jù)和臨床數(shù)據(jù),更準確地預測乳腺癌生存期,是癌癥生存期預測研究領域中亟需解決的問題。然而,現(xiàn)有的乳腺癌生存期預測模型,往往使用單一的特征選擇方法對基因表達數(shù)據(jù)進行特征提取,再進行簡單的特征拼接融合,這不僅容易丟失重要的基因信息,還忽略了組學數(shù)據(jù)間的關聯(lián)。因此這類方法具有一定的局限性。本文在現(xiàn)有乳腺癌生存期預測研究的基礎上,提出了基于深度學習和組學數(shù)據(jù)融合的乳腺癌生存期預測模型。首先,通過非負矩陣分解的改進算法提取出與乳腺癌生存期相關... 

【文章來源】：西南大學重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

本文研究內(nèi)容框架圖

就誥虻榷喔鲇τ貿(mào)【耙踩〉昧私蝦玫男Ч?Ｏ旅娼?蛞?檣萇疃妊?爸兄?流的網(wǎng)絡模型和相關技術。2.2.1深度神經(jīng)網(wǎng)絡作為常用的深度學習框架，深度神經(jīng)網(wǎng)絡（DeepNeuralNetworks，DNN），可看作一個有很多隱藏層的感知機。其中，相鄰兩層網(wǎng)絡節(jié)點的連接方式為全連接。深度神經(jīng)網(wǎng)絡相較于淺層神經(jīng)網(wǎng)絡在建模方面更具有優(yōu)勢，它能夠有效處理復雜的非線性系統(tǒng)，并且利用網(wǎng)絡中的隱藏層對數(shù)據(jù)進行高層次抽象，使整個模型的泛化能力得到提升。按不同層的位置劃分，DNN內(nèi)部的神經(jīng)網(wǎng)絡層可以分為：輸入層、隱藏層和輸出層。其結構如圖2.1所示：圖2.1深度神經(jīng)網(wǎng)絡示意圖其中，數(shù)據(jù)通過輸入層傳入模型，模型內(nèi)部則由多個隱藏層構成，每個隱藏層包含多個神經(jīng)元。隱藏層的主要作用是處理上一層傳遞過來的數(shù)據(jù)信息，并且將信息傳遞到下一層。模型的最后一層為輸出層，輸出層的維度由任務的特性決定。在感知機中，各層的神經(jīng)元通過全連接的方式組織在一起，將信息由前往后

第2章相關理論與技術11化的卷積神經(jīng)網(wǎng)絡架構圖。圖2.2卷積神經(jīng)網(wǎng)絡架構圖從圖2.2中可以看出，卷積神經(jīng)網(wǎng)絡主要由若干個卷積層、池化層和全連接層組成。其中，前幾個網(wǎng)絡層主要是以卷積層和池化層為主，特征圖將卷積層中的各個單元組織在一起。特征圖中的每一個計算單元都通過濾波器連接上一個特征圖中對應的局部塊，并將局部塊中的權值進行加權求和，所得結果傳遞給非線性函數(shù)。該函數(shù)一般采用激活函數(shù)，如sigmoid函數(shù)。同一張?zhí)卣鲌D上的神經(jīng)元使用的過濾器都是相同的，而其它各層特征圖所采用的過濾器略有差異。這樣的處理方式對于多維數(shù)據(jù)更具有優(yōu)勢。在多維數(shù)據(jù)中，每一個像素點與其周圍像素點的值互相關聯(lián)，這樣能夠得到圖像中重要的局部特征。此外，其它位置的局部特征之間略有差異，使得不同位置的神經(jīng)元均可以對權值進行共享。卷積層的主要作用是對局部特征進行提取，池化層的作用是對相近的特征進行整合。通常，池化層采用最大池化或者平均池化對特征圖中的局部塊進行處理，在讀取數(shù)據(jù)時通過移動一行或一列的方式進行操作，這樣的方式能夠有效降低輸入數(shù)據(jù)的維度以及保證數(shù)據(jù)的移動不變性。通過卷積層、池化層、非線性變換的計算和最后的全連接操作，神經(jīng)網(wǎng)絡能夠直接對輸入數(shù)據(jù)進行特征提齲如果是處理分類任務，可以在最后加入一個分類層，這樣就實現(xiàn)了一個完整的神經(jīng)網(wǎng)絡分類器。2.2.3注意力機制介紹注意力（Attention）機制是深度學習領域的一種新技術。它的主要思想是度量鍵（Key）和請求（Query）之間的相似度，若某一時刻的輸入與目標狀態(tài)越相似，那么這一時刻的輸入所對應的權重就會越大，說明當前的輸出更依賴于該時刻的輸入。例如，我們翻譯“機器學習”這一詞語。當翻譯成“machinelearning”的時候，我們希望模型更加?

【參考文獻】：
期刊論文
[1]基于多組學數(shù)據(jù)融合構建乳腺癌生存預測模型[J]. 齊惠穎,江雨荷.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2019(08)
[2]基于層級規(guī)則樹的跨平臺基因表達數(shù)據(jù)分類[J]. 蔡瑞初,侯永杰,郝志峰.  計算機工程. 2019(07)
[3]基于混淆矩陣的證據(jù)可靠性評估[J]. 宋亞飛,王曉丹,雷蕾.  系統(tǒng)工程與電子技術. 2015(04)
[4]系統(tǒng)生物學研究中不同組學數(shù)據(jù)的整合[J]. 劉偉,朱云平,賀福初.  中國生物化學與分子生物學報. 2007(12)
[5]縱向數(shù)據(jù)分析方法在中醫(yī)臨床療效評價中的應用淺析[J]. 謝雁鳴,徐桂琴.  中國中醫(yī)基礎醫(yī)學雜志. 2007(09)

碩士論文
[1]基于乳腺癌基因表達數(shù)據(jù)的特征選擇算法研究[D]. 張穎.西南大學 2019



本文編號：2962872