根據(jù)世界衛(wèi)生組織最近幾年的統(tǒng)計(jì)報(bào)告可以發(fā)現(xiàn),對(duì)于癌癥這種惡性腫瘤疾病,它的發(fā)病率與死亡率都在逐漸變高,已經(jīng)對(duì)人類(lèi)的健康造成了很大的影響。隨著機(jī)器學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的不斷發(fā)展,機(jī)器學(xué)習(xí)的很多方法已經(jīng)可以更準(zhǔn)確地預(yù)測(cè)癌癥的發(fā)生與轉(zhuǎn)移,抓住疾病的最佳治療時(shí)機(jī),進(jìn)而有效控制癌癥的死亡率。針對(duì)這一現(xiàn)狀,本文收集到2016年至2018年間長(zhǎng)春市某大型醫(yī)院的100名患者的397個(gè)放射組學(xué)特征,并依據(jù)統(tǒng)計(jì)學(xué)方法對(duì)收集到的放射組學(xué)特征來(lái)建立數(shù)學(xué)模型,進(jìn)而預(yù)測(cè)非小細(xì)胞肺癌患者是否發(fā)生EGFR的突變。對(duì)于EGFR突變,有很多影響因素,為了得到更有效的預(yù)測(cè)模型,本文首先對(duì)收集到的397個(gè)放射組學(xué)特征,應(yīng)用LASSO算法進(jìn)行特征選擇,得到對(duì)EGFR的突變影響最大的15個(gè)放射組學(xué)特征,進(jìn)而實(shí)現(xiàn)對(duì)放射組學(xué)特征的降維,消除冗余的特征。接下來(lái)對(duì)得到的放射組學(xué)特征建立基于機(jī)器學(xué)習(xí)算法的三種預(yù)測(cè)模型,分別為高斯過(guò)程、樸素貝葉斯模型、LightGBM算法,并進(jìn)行簡(jiǎn)單地對(duì)比分析,可以發(fā)現(xiàn)LightGBM算法具有更明顯的優(yōu)勢(shì)。依據(jù)這個(gè)預(yù)測(cè)模型可以有效地判斷非小細(xì)胞肺癌患者是否發(fā)生EGFR的突變,并且可以為接下來(lái)的研究提供了新的思路,... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：34 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Leaf-wise的葉子生長(zhǎng)策略

第2章理論基礎(chǔ)8數(shù)據(jù)都是稀疏的，并且在這些特征中有一些特征之間可能是互斥的。我們可以將這些稀疏的特征合并為一個(gè)特征，這時(shí)通常是以可以合并，并且合并后的總特征的數(shù)量少為最終目標(biāo)。這里把合并后的特征稱(chēng)為獨(dú)立特征束，然后用這些獨(dú)立特征束來(lái)構(gòu)建直方圖，這樣大大地加快了計(jì)算的速度，并且模型的準(zhǔn)確率也不會(huì)受到不好的影響�；谏鲜龅母倪M(jìn)方面，LightGBM算法相對(duì)于GBDT算法具有更好的預(yù)測(cè)性能，可以更快地進(jìn)行模型的訓(xùn)練與測(cè)試，尤其是對(duì)于本文的放射組學(xué)特征的數(shù)據(jù)，表現(xiàn)出很強(qiáng)的優(yōu)勢(shì)。2.3混淆矩陣在機(jī)器學(xué)習(xí)領(lǐng)域中，混淆矩陣是一種基于原始數(shù)據(jù)集的預(yù)測(cè)值和真實(shí)值的關(guān)系的分類(lèi)效果圖，它可以很好地評(píng)價(jià)分類(lèi)器的預(yù)測(cè)性能，已經(jīng)被眾多學(xué)者應(yīng)用于有關(guān)分類(lèi)的實(shí)際問(wèn)題中。對(duì)于最常用的二元分類(lèi)，其實(shí)就是得到一個(gè)22的表格，見(jiàn)圖2-2[37]。圖2-2混淆矩陣示意圖對(duì)于上面的混淆矩陣，可以知道對(duì)于一個(gè)很好的預(yù)測(cè)模型肯定是TN,TP的值越大越好，這樣預(yù)測(cè)的準(zhǔn)確率才會(huì)比較高。依據(jù)混淆矩陣能夠計(jì)算得到分類(lèi)模型預(yù)測(cè)的準(zhǔn)確率、特異性、敏感性、精確率、召回率、F1-值，計(jì)算的公式為：FPFNTNTPTNTP準(zhǔn)確率FPTNTN特異性FNTPTP敏感性、召回率

第2章理論基礎(chǔ)9FPTPTP精確率召回率精確率召回率精確率值F21通過(guò)比較它們的值的大小，便可以知道基于某種機(jī)器學(xué)習(xí)算法的預(yù)測(cè)模型的精度與性能，是不是符合我們的預(yù)期。2.4ROC曲線(xiàn)與AUC值ROC曲線(xiàn)即接受者的操作特征曲線(xiàn)（receiveroperatingcharacteristiccurve），也稱(chēng)感受性曲線(xiàn)。該曲線(xiàn)以假正率（FPR）為x軸，以真正率（TPR）為y軸進(jìn)行構(gòu)圖，一般地ROC曲線(xiàn)都在yx這條直線(xiàn)的上方（如圖2-3）。當(dāng)曲線(xiàn)越是“凸”向左上角時(shí)，則可以表明預(yù)測(cè)模型的真實(shí)性越高，分類(lèi)的效果就越好。同時(shí)把ROC曲線(xiàn)與圖中橫縱坐標(biāo)軸圍成的面積記作AUC，很明顯，圖中的面積的取值不會(huì)出現(xiàn)大于1的情況，AUC的取值狀況通常介于0.5和1.0這個(gè)區(qū)間之內(nèi)。當(dāng)AUC的取值越大時(shí)，即越靠近1.0的時(shí)候，說(shuō)明試驗(yàn)的結(jié)果處于很好的決策點(diǎn)，具有較高的診斷價(jià)值[38]。圖2-3ROC曲線(xiàn)示意圖

【參考文獻(xiàn)】：
期刊論文
[1]機(jī)器學(xué)習(xí)在抑郁癥領(lǐng)域的應(yīng)用[J]. 董健宇,韋文棋,吳珂,妮娜,王粲霏,付瑩,彭歆.  心理科學(xué)進(jìn)展. 2020(02)
[2]基于機(jī)器學(xué)習(xí)的放射組學(xué)預(yù)測(cè)非小細(xì)胞肺癌EGFR基因突變[J]. 胡麗霞,江長(zhǎng)思,羅燕,梅東東,龔靜山,馬捷.  醫(yī)學(xué)影像學(xué)雜志. 2019(07)
[3]LightGBM算法在阿爾茨海默癥結(jié)構(gòu)磁共振成像分類(lèi)中的應(yīng)用[J]. 周文,王瑜,李長(zhǎng)勝,肖洪兵,邢素霞.  中國(guó)醫(yī)學(xué)物理學(xué)雜志. 2019(04)
[4]基于LightGBM的銀行信用卡違約研究[J]. 張國(guó)慶,昌寧.  科技資訊. 2019(12)
[5]ICU患者急性腎損傷發(fā)生風(fēng)險(xiǎn)的LightGBM預(yù)測(cè)模型[J]. 張淵,馮聰,李開(kāi)源,張政波,曹德森,黎檀實(shí).  解放軍醫(yī)學(xué)院學(xué)報(bào). 2019(04)
[6]基于深度學(xué)習(xí)的癌癥計(jì)算機(jī)輔助分類(lèi)診斷研究進(jìn)展[J]. 肖煥輝,袁程朗,馮仕庭,羅宴吉,黃炳升.  國(guó)際醫(yī)學(xué)放射學(xué)雜志. 2019(01)
[7]左右半結(jié)腸癌研究進(jìn)展[J]. 閻偉,劉洋,魏云巍.  中國(guó)腫瘤臨床. 2018(22)
[8]大數(shù)據(jù)背景下機(jī)器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用淺析[J]. 孫凱.  科學(xué)技術(shù)創(chuàng)新. 2018(18)
[9]胃腸道淋巴瘤64排螺旋CT與MRI影像學(xué)特點(diǎn)分析[J]. 孫曉云,甄鑫,張強(qiáng),徐曉燕.  癌癥進(jìn)展. 2018(03)
[10]不同手術(shù)方式在結(jié)腸癌治療中的效果分析和預(yù)后比較[J]. 高勇,李治國(guó).  癌癥進(jìn)展. 2017(05)

博士論文
[1]基于機(jī)器學(xué)習(xí)的胸部X光片分類(lèi)及胸部病變定位方法研究[D]. 李子榮.蘭州大學(xué) 2019
[2]基于機(jī)器學(xué)習(xí)的腫瘤基因表達(dá)譜數(shù)據(jù)分析方法研究[D]. 劉健.中國(guó)礦業(yè)大學(xué) 2018

碩士論文
[1]基于放射組學(xué)在肺癌良惡性預(yù)測(cè)的初步研究[D]. 方勝儒.天津醫(yī)科大學(xué) 2018
[2]基于LightGBM,XGBoost,ERT混合模型的風(fēng)機(jī)葉片結(jié)冰預(yù)測(cè)研究[D]. 張丹峰.上海師范大學(xué) 2018
[3]ROC曲線(xiàn)廣義線(xiàn)性模型及其醫(yī)學(xué)應(yīng)用[D]. 尉潔.山西醫(yī)科大學(xué) 2010
[4]Lasso及其相關(guān)方法在廣義線(xiàn)性模型模型選擇中的應(yīng)用[D]. 龔建朝.中南大學(xué) 2008



本文編號(hào)：3598648