本文關(guān)鍵詞： 預(yù)后預(yù)測(cè) GBM 邏輯回歸 支持向量機(jī)　出處：《大連海事大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：目前癌癥發(fā)病率越來(lái)越高,精準(zhǔn)的預(yù)后預(yù)測(cè)不僅可以幫助患者了解他們的生存期望,而且還可以幫助研究者了解疾病的發(fā)展規(guī)律、指導(dǎo)臨床治療。本文提出了一種預(yù)測(cè)癌癥患者生存期的方法,該方法利用數(shù)據(jù)挖掘技術(shù),研究來(lái)自TCGA(The Cancer Genome Atlas)項(xiàng)目的多形性膠質(zhì)母細(xì)胞瘤(GBM,Glioblastoma Multiforme)患者的分子數(shù)據(jù)和臨床數(shù)據(jù),得到了一個(gè)由特征選擇算法和分類算法構(gòu)成的聯(lián)合預(yù)測(cè)模型。與已有研究成果相比,該模型能夠以較高的精度預(yù)測(cè)GBM患者的生存期,判斷其生存期是否超過(guò)12個(gè)月,以便醫(yī)療人員能夠?qū)⒒颊叻值讲煌奈ｋU(xiǎn)組別中,進(jìn)行更為精準(zhǔn)的治療。本文的主要工作如下:(1)數(shù)據(jù)的收集和預(yù)處理。本文研究的癌癥為GBM,所用的分子數(shù)據(jù)和臨床數(shù)據(jù)均來(lái)源于TCGA數(shù)據(jù)庫(kù)。并且對(duì)下載下來(lái)的數(shù)據(jù)進(jìn)行了一定的預(yù)處理,過(guò)程包括:缺失值的定義和填補(bǔ),去除缺失值過(guò)多的特征、樣本,標(biāo)準(zhǔn)化處理。(2)針對(duì)GBM患者的分子數(shù)據(jù)和臨床數(shù)據(jù),利用基于L1正則化的邏輯回歸算法進(jìn)行特征選擇。通過(guò)理論分析并且與其他三種常用的特征選擇算法(基于樹(shù)模型的特征選擇算法,方差選擇法,基于邏輯回歸的遞歸特征消除法)相比較,建模對(duì)GBM患者生存期預(yù)測(cè)得到的AUC分?jǐn)?shù)較高,程序運(yùn)行時(shí)間較短。(3)針對(duì)GBM患者的分子數(shù)據(jù)和臨床數(shù)據(jù),利用支持向量機(jī)算法進(jìn)行分類。通過(guò)理論分析并且與其他九種常用的機(jī)器學(xué)習(xí)分類算法相比較,建模對(duì)GBM患者生存期預(yù)測(cè)得到的AUC分?jǐn)?shù)較高,程序運(yùn)行時(shí)間較短。(4)將上述特征選擇算法和分類算法相結(jié)合得到了一個(gè)聯(lián)合預(yù)測(cè)模型。利用該模型對(duì)GBM患者的生存期進(jìn)行預(yù)測(cè),預(yù)測(cè)精度與使用類似數(shù)據(jù)結(jié)構(gòu)的已有研究成果相比有所提高。
[Abstract]:This paper presents a method for predicting the survival time of patients by using data mining . The method uses the data mining technology to study the molecular data and clinical data of patients with the cancer . The method uses the data mining technology to study the molecular data and clinical data from TCGA ( The Cancer Genome Atlas ) .

【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R73-3;TP274;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 王冬;Frank B.Hu;;從精準(zhǔn)醫(yī)學(xué)到精準(zhǔn)公共衛(wèi)生[J];中華內(nèi)分泌代謝雜志;2016年09期

2 Stupp R.;Mason W.P.;Van Den Bent M.J.;黃衛(wèi)東;;放療與替莫唑胺聯(lián)合治療膠質(zhì)母細(xì)胞瘤[J];世界核心醫(yī)學(xué)期刊文摘(神經(jīng)病學(xué)分冊(cè));2005年09期

，

本文編號(hào)：1473635