癌癥已成為當(dāng)今社會(huì)威脅人類身體健康的一個(gè)不可忽視的問(wèn)題。傳統(tǒng)的癌癥診斷方式通常采用細(xì)胞形態(tài)學(xué),組織病理學(xué)等方式。隨著機(jī)器學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué),自然語(yǔ)言處理和語(yǔ)音識(shí)別等方面都取得了不錯(cuò)的應(yīng)用效果,利用機(jī)器學(xué)習(xí)技術(shù)對(duì)癌癥進(jìn)行預(yù)測(cè)成為了一種新的可操作方式。根據(jù)癌癥檢測(cè)的主要內(nèi)容,本文將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于智能醫(yī)療領(lǐng)域,分別針對(duì)癌癥易感性,癌癥幸存性與癌癥復(fù)發(fā)性構(gòu)建模型,輔助醫(yī)生進(jìn)行診斷決策。本文的主要研究?jī)?nèi)容和主要貢獻(xiàn)如下:(1)對(duì)宮頸癌易感性問(wèn)題進(jìn)行研究。針對(duì)宮頸癌診斷中存在的類別不平衡問(wèn)題以及過(guò)濾無(wú)效特征的問(wèn)題,本文從數(shù)據(jù)分布、模型精度和特征數(shù)量角度出發(fā),提出了一種結(jié)合粒子群算法與合成少數(shù)類過(guò)采樣算法的方法。以此方法與多種機(jī)器學(xué)習(xí)模型對(duì)宮頸癌易感性進(jìn)行研究,旨在解決數(shù)據(jù)集中的類別不平衡以及過(guò)濾無(wú)效特征的問(wèn)題。其中本文所用的合成少數(shù)類過(guò)采樣算法能夠較好的模擬數(shù)據(jù)分布,粒子群算法不僅考慮了模型精度,而且兼顧了特征數(shù)量自動(dòng)選取問(wèn)題,相比較于傳統(tǒng)模型采用的遞歸特征消除方法和主成分分析方法,該方法避免了手動(dòng)設(shè)置特征數(shù)量的缺點(diǎn)。實(shí)驗(yàn)表明,該方法優(yōu)于傳統(tǒng)方法并能有效提高模型性能。(2)對(duì)肺癌幸存性問(wèn)題進(jìn)...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 研究現(xiàn)狀
        1.2.1 基于機(jī)器學(xué)習(xí)的癌癥易感性研究現(xiàn)狀
        1.2.2 基于機(jī)器學(xué)習(xí)的癌癥幸存性研究現(xiàn)狀
        1.2.3 基于機(jī)器學(xué)習(xí)的癌癥復(fù)發(fā)性研究現(xiàn)狀
    1.3 本文的研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.3.1 本文的研究?jī)?nèi)容
        1.3.2 本文的組織結(jié)構(gòu)
第二章 機(jī)器學(xué)習(xí)相關(guān)理論及算法
    2.1 機(jī)器學(xué)習(xí)理論
    2.2 機(jī)器學(xué)習(xí)常用算法
        2.2.1 支持向量機(jī)
        2.2.2 神經(jīng)網(wǎng)絡(luò)
        2.2.3 隨機(jī)森林
        2.2.4 梯度提升樹
    2.3 特征選擇
    2.4 本章小結(jié)
第三章 基于合成少數(shù)類過(guò)采樣算法和粒子群優(yōu)化的宮頸癌預(yù)測(cè)模型
    3.1 引言
    3.2 合成少數(shù)類過(guò)采樣算法
    3.3 粒子群算法
    3.4 實(shí)驗(yàn)設(shè)計(jì)
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)流程
        3.4.3 評(píng)價(jià)指標(biāo)
    3.5 實(shí)驗(yàn)結(jié)果
        3.5.1 目標(biāo)變量:HINSELMANN
        3.5.2 目標(biāo)變量:SCHILLER
        3.5.3 目標(biāo)變量:CITOLOGY
        3.5.4 目標(biāo)變量:BIOPSY
        3.5.5 結(jié)果對(duì)比
    3.6 本章小結(jié)
第四章 基于LIGHTGBM和特征選擇的肺癌患者幸存時(shí)間預(yù)測(cè)模型
    4.1 引言
    4.2 LIGHTGBM
    4.3 遺傳算法
    4.4 實(shí)驗(yàn)設(shè)計(jì)
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 實(shí)驗(yàn)流程
    4.5 實(shí)驗(yàn)結(jié)果
        4.5.1 無(wú)特征選擇階段的分類評(píng)價(jià)
        4.5.2 使用遺傳算法進(jìn)行特征選擇階段的分類評(píng)價(jià)
        4.5.3 使用粒子群算法進(jìn)行特征選擇階段的分類評(píng)價(jià)
        4.5.4 比較分析階段
        4.5.5 特征重要性
    4.6 本章小結(jié)
第五章 基于堆疊網(wǎng)絡(luò)的乳腺癌復(fù)發(fā)預(yù)測(cè)模型
    5.1 引言
    5.2 堆疊網(wǎng)絡(luò)
    5.3 實(shí)驗(yàn)設(shè)計(jì)
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.3.2 實(shí)驗(yàn)流程
    5.4 實(shí)驗(yàn)結(jié)果
        5.4.1 無(wú)特征選擇階段的分類評(píng)價(jià)
        5.4.2 有特征選擇階段的分類評(píng)價(jià)
        5.4.3 比較分析階段
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來(lái)展望
致謝
參考文獻(xiàn)



本文編號(hào)：3767546