本文選題：標志 + 分類器��； 參考：《生物醫(yī)學工程學雜志》2017年01期

【摘要】：在應用基于轉錄組特征構建的支持向量機、貝葉斯分類器等傳統(tǒng)分類器對組織樣本進行分類時,要求對基因表達譜進行樣本間的數據標準化處理,以去除實驗批次效應帶來的影響,因此限制了這些分類器在個體化水平上的應用。本文旨在構建鑒別肺癌組織與非癌(肺炎與肺正常)組織的個體化分類器。文中采用來自多組獨立數據的197例肺癌與189例肺非癌組織樣本作為訓練集,篩選得到了3對基因作為特征,應用多數投票規(guī)則區(qū)分肺癌組織與肺非癌組織的平均準確率達到95.34%。然后,本文采用來自多組獨立數據的251例肺癌組織與141例肺非癌組織樣本的非標化數據進行獨立驗證,其平均準確率達到96.78%。因此,本文提出的該分類器可對由不同實驗室檢測的樣本進行個體化判斷提供一種新的思路,具有較強的臨床實用性。
[Abstract]:When traditional classifiers such as support vector machine and Bayesian classifier based on transcriptional group feature are used to classify tissue samples, it is required to standardize the data of gene expression profiles among samples. The application of these classifiers at the individualized level is limited by removing the effects of the experimental batch effect. The purpose of this study was to construct an individual classifier for distinguishing lung cancer from non-cancerous (pneumonia and normal lung) tissues. In this paper, 197 samples of lung cancer and 189 samples of non-cancerous lung tissue from multiple independent data were used as training set, and 3 pairs of genes were selected as characteristics. The average accuracy of majority voting rule in distinguishing lung cancer tissue from non-cancerous lung tissue was 95.3434. Then, the nonstandard data from 251 lung cancer tissues and 141 noncancerous lung tissue samples from multiple groups of independent data were used for independent verification. The average accuracy was 96.78%. Therefore, the classifier presented in this paper can provide a new idea for individualized judgment of samples detected by different laboratories, and it has strong clinical practicability.
【作者單位】： 福建醫(yī)科大學基礎醫(yī)學院生物信息學系消化道惡性腫瘤教育部重點實驗室;
【基金】：國家自然科學基金(81572935,81372213,81501215,81501829) 大學生創(chuàng)新創(chuàng)業(yè)訓練計劃(201510392017) 福建醫(yī)科大學苗圃科研基金(2015MP005)
【分類號】：R734.2

【相似文獻】

相關期刊論文 前10條

1 姜萱;;利用數據挖掘技術構造醫(yī)學圖像分類器的研究[J];時珍國醫(yī)國藥;2008年08期

2 謝華;夏順仁;張贊超;;醫(yī)學圖像識別中多分類器融合方法的研究進展[J];國際生物醫(yī)學工程雜志;2006年03期

3 韋艷艷;李陶深;張超群;;集成分類器組合算法及其在醫(yī)學診斷中的應用[J];廣西大學學報(自然科學版);2013年05期

4 謝華,夏順仁,高光金;基于分類器融合的骨髓細胞識別研究[J];計算機工程與應用;2005年27期

5 崔克彬,李戰(zhàn)懷,張陽;DRC-BK分類器的規(guī)則篩選算法[J];醫(yī)學信息;2004年09期

6 謝文娟,曾立波,王思賢,吳瓊水,張燕;骨髓細胞多光譜顯微圖像分類器的設計[J];計算機工程與應用;2005年02期

7 曹美玲;張新峰;沈蘭蓀;;分類器融合技術在中醫(yī)舌象老嫩識別中的應用研究[J];北京生物醫(yī)學工程;2006年06期

8 涂有強;陳香;張旭;趙章琰;楊基海;;一種適用于手勢動作sEMG信號識別的改進型模糊推理分類器[J];北京生物醫(yī)學工程;2008年04期

9 孫利;徐偉棟;厲力華;劉偉;彭芳青;張娟;;基于雙視角和多分類器信息融合的乳腺鉬靶圖像腫塊分類研究[J];中國生物醫(yī)學工程學報;2011年01期

10 鄭斌;厲力華;;基于多特征信息及Ma-Ada多分類器融合的蛋白質結構類預測[J];中國生物醫(yī)學工程學報;2013年05期

相關會議論文 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學術會議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗證對象集分類器的再訓練演進[A];第十九屆全國數據庫學術會議論文集（研究報告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機手寫識別筆段特征分類器的學習方法[A];黑龍江省計算機學會2009年學術交流年會論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認證[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(英文)[A];第二十三屆中國數據庫學術會議論文集（技術報告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關”的說話人辨認[A];第四屆全國人機語音通訊學術會議論文集[C];1996年

7 謝秋玲;;應用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學術年會論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級聯(lián)分類器的快速人臉檢測方法[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認知結構評估的動態(tài)貝葉斯網絡分類器方法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

10 邵小健;段華;賀國平;;一種改進的最少核分類器[A];中國運籌學會第七屆學術交流會論文集（上卷）[C];2004年

相關重要報紙文章 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報;2000年

相關博士學位論文 前10條

1 張非;對抗逃避攻擊的防守策略研究[D];華南理工大學;2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學;2014年

3 許勁松;智能交通中目標檢測與分類關鍵技術研究[D];南京理工大學;2014年

4 余家林;普通場景視頻人臉檢測與識別的關鍵技術研究[D];浙江大學;2016年

5 趙作林;基于圖像分析的北京地區(qū)楊樹種類識別研究[D];北京林業(yè)大學;2015年

6 任亞峰;基于標注和未標注數椐的虛假評論識別研究[D];武漢大學;2015年

7 曹鵬;不均衡數據分類方法的研究[D];東北大學;2014年

8 劉明;分類器組合技術研究及其在人機交互系統(tǒng)中的應用[D];北京交通大學;2008年

9 嚴志永;在劃分數據空間的視角下基于決策邊界的分類器研究[D];浙江大學;2011年

10 王U，

本文編號：1793694