本文關鍵詞：基于SVM的質譜細胞儀高維數據分析在AML早期診斷方面的應用研究

  更多相關文章： 質譜細胞術 高維數據分析 SVM 急性髓細胞白血病(AML) 早期診斷

【摘要】：白血病是一類造血系統(tǒng)的惡性腫瘤,通常表現為異常的白細胞惡性增殖。我國白血病的發(fā)病率在各種腫瘤中占第六位,居青少年惡性腫瘤首位。白血病按起病的緩急可分為急性白血病和慢性白血病,其中急性髓細胞白血病(AML)是一種髓系血細胞的惡性腫瘤,是成人中最常見的一種急性白血病。急性髓細胞白血病的臨床診斷包括血常規(guī)檢查、骨髓常規(guī)檢查、細胞免疫學分型、細胞遺傳學檢查等。這些方法存在需要有經驗的臨床病理專家進行操作、無法進行自動化分析、耗時且主觀等一定的局限性。臨床上AML一般通過血液或骨髓中的原始粒(或單核)細胞占比超過20%進行確診。實現對AML的自動化早期診斷,對于疾病發(fā)展迅速、病程較短的急性白血病而言,預期可提高診斷的準確性及病人治愈率。質譜細胞術是近年發(fā)展起來的一種新型單細胞分析技術。該技術集成了質譜和細胞儀的原理,可在單細胞中同時測量幾十種甚至上百種特征標記物,不僅能進行高速的分析,而且具有質譜分析的高精確度與高識別能力。質譜細胞儀較之傳統(tǒng)熒光流式細胞儀測量的參數多且通道之間沒有干擾,并且不需要進行補償計算,已成為單細胞分析的一個新方向。本論文首先系統(tǒng)介紹了質譜細胞術的相關理論,包括其發(fā)展現狀、原理、常用的數據分析方法及其應用,然后介紹了我們基于支持向量機(SVM)的質譜細胞儀高維數據分析方法。論文利用該方法對質譜細胞儀的健康人類骨髓樣本高維數據進行了分析,實現了對多種細胞的分類識別,并用分類的結果對該方法進行了性能評估。最后,論文開展了基于SVM的質譜細胞儀高維數據分析應用于AML早期診斷的研究,初步驗證了該方法用于AML自動化早期診斷的可行性。質譜細胞儀測量參數多、單細胞識別準確率高,預期可以獲得更好的診斷準確率,應用前景廣泛。本論文將質譜細胞術的單細胞識別準確率高的優(yōu)勢與SVM機器學習方法相結合,揭示了該方法在AML早期診斷方面的應用潛力。論文研究工作在疾病的早期診斷以及診斷過程自動化方面具有一定意義。
【關鍵詞】：質譜細胞術 高維數據分析 SVM 急性髓細胞白血病(AML) 早期診斷
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R733.71
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 緒論12-20
• 1.1 研究背景及現狀12-16
• 1.1.1 急性髓細胞白血病(AML)檢測技術簡介12-13
• 1.1.2 質譜細胞術在白血病方面的研究現狀13-16
• 1.2 研究意義16-17
• 1.3 論文主要內容及框架17-20
• 第二章 質譜細胞儀工作原理及應用20-36
• 2.1 起源與發(fā)展20-21
• 2.2 技術原理21-27
• 2.2.1 硬件系統(tǒng)21-23
• 2.2.2 標簽與試劑23-26
• 2.2.3 工作流程26-27
• 2.3 數據分析系統(tǒng)27-33
• 2.4 應用領域33-34
• 2.5 本章小結34-36
• 第三章 基于支持向量機(SVM)的質譜細胞儀數據分析方法36-46
• 3.1 數據來源36-38
• 3.2 數據分析38-42
• 3.2.1 讀數據38-39
• 3.2.2 數據篩選和貼標簽39-42
• 3.2.3 數據歸一化42
• 3.3 利用SVM對數據進行機器學習的過程42-45
• 3.3.1 程序結構42
• 3.3.2 輸出形式42-44
• 3.3.3 評估指標44-45
• 3.4 本章小結45-46
• 第四章 質譜細胞儀高維數據分析用于細胞分類的初步驗證46-56
• 4.1 二分類46-50
• 4.1.1 數據準備46
• 4.1.2 參數優(yōu)化46-48
• 4.1.3 結果及討論48-50
• 4.2 多分類50-53
• 4.2.1 數據準備50-51
• 4.2.2 參數優(yōu)化51
• 4.2.3 結果及討論51-53
• 4.3 本章小結53-56
• 第五章 質譜細胞儀高維數據分析用于AML早期診斷56-68
• 5.1 AML樣本數據集的準備及討論56-59
• 5.1.1 AML樣本的數據篩選和貼標簽56-58
• 5.1.2 制備AML樣本數據集58-59
• 5.2 將細胞多分類過程推廣到AML早期診斷59-66
• 5.2.1 實驗結果59-64
• 5.2.2 討論64-66
• 5.3 本章小結66-68
• 第六章 總結與展望68-72
• 6.1 總結68-69
• 6.2 展望69-72
• 參考文獻72-78
• 致謝78-79
• 附件79

【相似文獻】

中國期刊全文數據庫 前2條

1 張秀秀;王慧;田雙雙;喬楠;閆麗娜;王彤;;高維數據回歸分析中基于LASSO的自變量選擇[J];中國衛(wèi)生統(tǒng)計;2013年06期

2 ;[J];;年期

中國重要會議論文全文數據庫 前6條

1 周煜人;彭輝;桂衛(wèi)華;;基于映射的高維數據聚類方法[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

2 梁俊杰;楊澤新;馮玉才;;大規(guī)模高維數據庫索引結構[A];第二十三屆中國數據庫學術會議論文集（研究報告篇）[C];2006年

3 陳冠華;馬秀莉;楊冬青;唐世渭;帥猛;;面向高維數據的低冗余Top-k異常點發(fā)現方法[A];第26屆中國數據庫學術會議論文集（A輯）[C];2009年

4 劉運濤;鮑玉斌;吳丹;冷芳玲;孫煥良;于戈;;CBFrag-Cubing:一種基于壓縮位圖的高維數據立方創(chuàng)建算法(英文)[A];第二十二屆中國數據庫學術會議論文集（研究報告篇）[C];2005年

5 劉文慧;;PCA與PLS用于高維數據分類的比較性研究[A];2011年中國衛(wèi)生統(tǒng)計學年會會議論文集[C];2011年

6 劉喜蘭;馮德益;王公恕;朱成喜;馮雯;;臉譜分析在中進期地震跟蹤預報中的應用[A];中國地震學會第四次學術大會論文摘要集[C];1992年

中國重要報紙全文數據庫 前1條

1 本報記者 李雙藝;引領高維數據分析先河[N];吉林日報;2013年

中國博士學位論文全文數據庫 前10條

1 劉勝藍;余弦度量下的高維數據降維及分類方法研究[D];大連理工大學;2015年

2 黃曉輝;高維數據的若干聚類問題及算法研究[D];哈爾濱工業(yè)大學;2015年

3 楊風召;高維數據挖掘中若干關鍵問題的研究[D];復旦大學;2003年

4 陳黎飛;高維數據的聚類方法研究與應用[D];廈門大學;2008年

5 吳慶耀;高維數據的若干分類問題及算法研究[D];哈爾濱工業(yè)大學;2013年

6 樓巍;面向大數據的高維數據挖掘技術研究[D];上海大學;2013年

7 黃健美;高維數據索引及其查詢處理技術研究[D];東北大學;2009年

8 任亞洲;高維數據上的聚類方法研究[D];華南理工大學;2014年

9 董道國;高維數據索引結構研究[D];復旦大學;2005年

10 于怡;高維數據變量選擇的幾點研究[D];復旦大學;2013年

中國碩士學位論文全文數據庫 前10條

1 侯小麗;高維數據聚類中的神經網絡降維方法研究[D];蘭州大學;2015年

2 孫喜利;高維數據的降維及聚類方法研究[D];蘭州大學;2016年

3 吳佳妮;基于SVM的質譜細胞儀高維數據分析在AML早期診斷方面的應用研究[D];山東大學;2016年

4 段文靜;高維數據下基于密度聚類方法的研究與應用[D];蘭州大學;2016年

5 黃青君;基于稀疏子空間的高維數據聚類關鍵技術研究與應用[D];電子科技大學;2016年

6 康永為;大數據環(huán)境下高維數據處理若干問題[D];廣西師范大學;2013年

7 張曉;基于超網絡的高維數據聚類方法研究[D];山東師范大學;2015年

8 陳路瑩;高維數據的聚類分析方法研究及其應用[D];廈門大學;2009年

9 王立強;基于多元統(tǒng)計圖的高維數據降維方法及應用研究[D];燕山大學;2006年

10 胡飛;面向高維數據的統(tǒng)計分類分析[D];安慶師范學院;2015年

，

本文編號：638627