【摘要】：Cox比例風(fēng)險(xiǎn)模型能夠分析生存時(shí)間對(duì)協(xié)變量的依賴關(guān)系,由于該模型可以分析包含刪失樣本的生存資料,在一定程度上緩解了樣本不足的問題,且不要求估計(jì)資料的生存分布類型,因此是生存分析領(lǐng)域應(yīng)用最廣泛的模型之一。選擇與存活表型相關(guān)的預(yù)后基因是生存分析研究的重要課題。為了解決基因表達(dá)譜的高維度和共線性問題,常用的方法是使用?_1范數(shù)估計(jì),因此Cox模型的改進(jìn)算法Lasso-Cox模型是有效的解決方案。基于稀疏回歸算法,Lasso-Cox模型的正則化參數(shù)必須通過交叉驗(yàn)證仔細(xì)調(diào)整以優(yōu)化性能,這通常會(huì)消耗大量的計(jì)算資源。本文提出一種數(shù)據(jù)驅(qū)動(dòng)的稀疏回歸算法(Bayesian-Lasso),采用貝葉斯方法從數(shù)據(jù)中自動(dòng)學(xué)習(xí)正則化參數(shù),并利用交替迭代的方法求解回歸系數(shù)。模擬實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的Lasso方法相比,Bayesian-Lasso方法在預(yù)測(cè)性能方面具有很強(qiáng)的競(jìng)爭(zhēng)力,模型更穩(wěn)定,計(jì)算時(shí)間更短。真實(shí)基因數(shù)據(jù)實(shí)驗(yàn)表明,該算法選擇的預(yù)后基因與表型密切相關(guān),可以用于高維基因表達(dá)譜預(yù)后預(yù)測(cè)模型的建立。由于不同疾病之間可能存在內(nèi)在聯(lián)系,因此相關(guān)的生存預(yù)測(cè)模型很普遍,這涉及多任務(wù)生存分析問題。另外,在實(shí)踐中獲得足夠的標(biāo)記訓(xùn)練實(shí)例用于學(xué)習(xí)穩(wěn)健的預(yù)測(cè)模型可能是非常困難的。針對(duì)上述問題,本文提出了一種基于Cox模型的多任務(wù)學(xué)習(xí)方法(MT-Cox),其使用?_(2,1)范數(shù)來鼓勵(lì)多個(gè)預(yù)測(cè)變量共享相似的稀疏模式,考慮不同任務(wù)之間的相關(guān)性并增加用于訓(xùn)練每個(gè)任務(wù)的信息,從而提高預(yù)測(cè)性能。為了提高模型穩(wěn)定性并加速計(jì)算,同樣采用貝葉斯方法和交替迭代方法求解參數(shù)。實(shí)驗(yàn)部分在癌癥基因組圖譜(TCGA)數(shù)據(jù)集上證明本文所提出的多任務(wù)學(xué)習(xí)方法的性能,結(jié)果表明與其他相關(guān)的競(jìng)爭(zhēng)方法相比,該方法可以顯著提高模型的預(yù)測(cè)性能。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：O212.3;R195.1

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 楊鳳翔,王順慶,徐海根,李邦慶;生存分析理論及其在研究生命表中的應(yīng)用[J];生態(tài)學(xué)報(bào);1991年02期

，

本文編號(hào)：2706335