發(fā)布時間：2020-10-09 00:55

　　 乙肝病毒(Hepatitis B virus,HBV)再激活是原發(fā)性肝癌(Primary Liver Cancer,PLC)患者經(jīng)精確放療后常見的并發(fā)癥。建立對PLC患者精確放療后HBV再激活的分類預測模型可以提前進行預防治療,減少發(fā)病率。本文提出了基于特征選擇的HBV再激活分類預測模型。把山東省腫瘤醫(yī)院90例原發(fā)性肝癌患者精確放療后的28個臨床指標作為研究數(shù)據(jù),28個特征中不全是危險因素,存在數(shù)據(jù)冗余,所以需要從28個特征中選出幾個危險因素,建立HBV再激活分類預測模型。本文提出兩種分類預測模型,一種是基于順序選擇和主成分分析的HBV再激活分類預測模型,另一種是基于小波和隨機森林的HBV再激活分類預測模型。實驗結果顯示,第一種模型中,當采用順序前向方法選出:放療次數(shù)、HBV DNA水平、外放邊界、甲胎蛋白AFP、分割方式這5個特征為HBV再激活的最佳危險因素組合時,分類精度最高達到84.04%,其中放療次數(shù)、甲胎蛋白AFP、分割方式是新提出的危險因素。采用順序后向方法選出:HBV DNA水平、KPS評分、外放邊界、等效生物計量、TNM腫瘤分期這5個特征子集為HBV再激活的最佳危險因素組合,分類精度最高達到87.31%,其中等效生物計量是本文提出的一個新的危險因素。將上述兩種方法選出危險因素的并集用主成分進行特征分析,發(fā)現(xiàn)八個危險因素都是影響HBV再激活的危險因素,沒有冗余信息。第二種模型中,使用隨機森林進行特征提取發(fā)現(xiàn)TNM腫瘤分期、外放邊界、HBV DNA水平、V10、V20為致使HBV再激活的最佳危險因素組合,使用隨機森林和貝葉斯對這組危險因素子集進行分類預測,最高分類精度為84.66%。為消除數(shù)據(jù)中存在的噪聲,實驗又采用一位連續(xù)小波對原始數(shù)據(jù)集進行連續(xù)小波變換,然后再用隨機森林進行特征選取發(fā)現(xiàn):等效生物計量、HBV DNA水平、KPS評分、門脈癌栓有無、GTV體積這5個特征為HBV再激活的最佳危險因素組合,使用隨機森林對這組特征子集進行分類預測,預測精度最高達到82.11%。本文提出的HBV再激活的分類預測模型可以很好地用于解決HBV再激活分類預測問題,打破了傳統(tǒng)的僅使用醫(yī)學方法找出危險因素的限制,實現(xiàn)了計算機領域與醫(yī)學領域的緊密結合。
【學位單位】：齊魯工業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：R735.7;TP181
【部分圖文】：

齊魯工業(yè)大學碩士學位論文的危險因素子集，使用支持向量機進行分類預測時，預測精度最高，靈敏性和異性也都高于其他組合。因此我們把兩種方法選出的特征子集規(guī)模為 5 時的特作為最優(yōu)的危險因素組合，順序選擇算法找到的危險因素組合有交集但不完全同，為驗證交集中的危險因素是否有冗余信息，又用 PCA 對這些危險因素進行析。.4.3 基于主成分分析的特征處理將上面前向選擇和后向選擇方法選出的危險因素組合求并集，即將“HBVNA 水平、外放邊界、AFP、放療次數(shù)、分割方式、KPS 評分、TNM 腫瘤分期和效生物劑量”作為順序選擇算法找到的總的危險因素子集，通過主成分分析法證 8 個特征中是否有冗余信息。根據(jù)實驗將這 8 個特征的貢獻率繪制成直方圖。

圖 4.3 原始特征集中每個特征的重要性從上圖可以看出 28 個特征的重要性數(shù)值相差懸殊，重要性值有正有負，沒有律，因此并非所有特征都是有用的。一般認為特征重要性值為正代表有用信息，為負的，代表冗余信息，我們認為是噪聲。為便于分析，將重要性值大于 0.1 的征統(tǒng)計進行排序，然后整理成表格 4.9。表 4.9 重要性大于 0.1 的特征特征編號 對應的特征 重要度7 Child-Pugh 0.1223 V30 0.1316 PTV 體積 0.1422 V25 0.1525 V40 0.1726 V45 0.18

圖 4.4 不同層數(shù)下的小波變換圖形從圖 4.4 小波變換后的波形圖中可以看出，原始特征集小波變換圖的奇異點不突出，第三層小波波形圖中奇異點的變化相對較明顯。對比表 4.8 中的分類結果可以得出：對原始數(shù)據(jù)進行小波變化后，當選取小波變換后的第 3 層數(shù)據(jù)作為處理后的數(shù)據(jù)，然后通過隨機森林選出 5 個關鍵特征建立的隨機森林分類模型是最佳的分類預測模型。將小波層次固定為 3，對經(jīng)小波處理后的數(shù)據(jù)和未經(jīng)小波處理的數(shù)據(jù)進行隨機森林分類，分類結果如表 4.11 所示。表 4.11 小波處理后的分類結果特征集 處理方法 正確率 靈敏性 特異性原始特征集無 77.88% 98.80% 4.7%小波變換 78.88% 98.28% 6.5%等效生物計量、HBV DNA 水平、KPS 評分、無 80.27% 95.14% 30.17%

【相似文獻】

相關期刊論文 前10條

1 宋維康;徐冰;;煤與瓦斯突出分類預測方法分析[J];煤;2016年04期

2 李倩倩;姜景;李瑛;劉怡君;;我國政務微博轉發(fā)規(guī)模分類預測[J];情報雜志;2018年01期

3 路小娟;朱正平;;太陽能光伏發(fā)電量分類預測研究[J];自動化與儀器儀表;2016年01期

4 陸桂明;張源;周志敏;;基于機器學習的貧困生分類預測研究[J];計算機應用與軟件;2019年01期

5 屈玉濤;鄧萬宇;;基于matlab的svm分類預測實現(xiàn)[J];信息通信;2017年03期

6 王與;劉洋;;分類技術在高校教學管理中的應用[J];滁州學院學報;2011年05期

7 莫世華,俞敏;霍亂發(fā)病地區(qū)分類預測方法研究[J];浙江預防醫(yī)學;1999年10期

8 馬寅午,周曉陽,尚金成,張勇傳,顧寧昌,劉丹雅,譚培倫;防洪系統(tǒng)洪水分類預測優(yōu)化調度方法[J];水利學報;1997年04期

9 陳暉;胡澤根;李云鵬;葛麗珍;李彥來;;自組織神經(jīng)網(wǎng)絡技術在新油田快速評價中的應用[J];重慶科技學院學報(自然科學版);2017年02期

10 葉奇明;羅飛;劉娟;;基于多目標EDA的特征基因選擇[J];計算機應用研究;2009年08期

相關會議論文 前3條

1 沈杰;李衛(wèi)華;唐峗;;一種基于化合物子結構模式識別的分類預測方法[A];中國化學會第27屆學術年會第15分會場摘要集[C];2010年

2 孫蕾;羅建書;;基于分類預測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

3 羅三華;黃建華;邱建丁;;小波支持向量機在蛋白質二級結構分類預測中應用[A];中國化學會第26屆學術年會化學信息學與化學計量學分會場論文集[C];2008年

相關博士學位論文 前4條

1 劉惠;蛋白質序列數(shù)據(jù)的分類預測研究[D];上海交通大學;2007年

2 王立鵬;特征提取及分類算法在膜蛋白分類預測問題中的應用[D];蘭州理工大學;2010年

3 廖志芳;大腸早癌輔助診斷數(shù)據(jù)挖掘方法研究[D];中南大學;2008年

4 王彤;高維生物數(shù)據(jù)的分類與預測研究[D];上海交通大學;2009年

相關碩士學位論文 前10條

1 王會娜;基于特征提取的肝癌患者乙肝病毒再激活的分類預測[D];齊魯工業(yè)大學;2018年

2 王曉明;基于分類預測技術的軟件成本估算方法的研究與應用[D];國防科學技術大學;2010年

3 安俊峰;游戲評價數(shù)據(jù)的分類預測研究[D];東華大學;2014年

4 張吉寬;蛋白質熱穩(wěn)定性分類預測系統(tǒng)的設計與實現(xiàn)[D];遼寧大學;2016年

5 陶雨雨;決策樹及神經(jīng)網(wǎng)絡算法在股票分類預測中的應用[D];杭州電子科技大學;2014年

6 石雪娜;基于壓縮感知的蛋白質功能分類預測[D];北京交通大學;2014年

7 楊曉鵬;大數(shù)據(jù)環(huán)境下隱私保護的預測服務機制研究[D];西安電子科技大學;2017年

8 肖芳;工業(yè)產(chǎn)品運輸需求分類預測理論研究[D];長安大學;2011年

9 于成群;基于集成學習的數(shù)據(jù)庫營銷研究[D];重慶大學;2016年

10 何凱;支持向量機方法在智能醫(yī)療診斷系統(tǒng)中的應用與研究[D];浙江大學;2007年

本文編號：2832995