近年來,乳腺癌的發(fā)病率和死亡率持續(xù)升高,對(duì)乳腺癌患者進(jìn)行精準(zhǔn)的生存期預(yù)測(cè)已成為癌癥研究領(lǐng)域的熱點(diǎn)問題。準(zhǔn)確的生存期預(yù)測(cè)能夠?yàn)獒t(yī)務(wù)工作者和病人家屬提供科學(xué)的治療憑據(jù),同時(shí)避免患者過度治療所造成的醫(yī)療資源浪費(fèi)。乳腺癌是一種惡性腫瘤疾病,它的產(chǎn)生和發(fā)展與基因密切相關(guān)。隨著生物測(cè)序技術(shù)的進(jìn)步,生物信息學(xué)領(lǐng)域積累了大規(guī)模組學(xué)數(shù)據(jù),這為研究者全方位了解生物學(xué)過程夯實(shí)了基礎(chǔ)。在乳腺癌生存期預(yù)測(cè)研究中,基因表達(dá)數(shù)據(jù)從微觀生物學(xué)層面反映腫瘤的生物特性,對(duì)癌癥預(yù)后和治療有重要的應(yīng)用價(jià)值。臨床數(shù)據(jù)包含了豐富的病理學(xué)特征,為乳腺癌患者的生存期預(yù)測(cè)提供理論依據(jù)。如何有效地融合基因表達(dá)數(shù)據(jù)和臨床數(shù)據(jù),更準(zhǔn)確地預(yù)測(cè)乳腺癌生存期,是癌癥生存期預(yù)測(cè)研究領(lǐng)域中亟需解決的問題。然而,現(xiàn)有的乳腺癌生存期預(yù)測(cè)模型,往往使用單一的特征選擇方法對(duì)基因表達(dá)數(shù)據(jù)進(jìn)行特征提取,再進(jìn)行簡(jiǎn)單的特征拼接融合,這不僅容易丟失重要的基因信息,還忽略了組學(xué)數(shù)據(jù)間的關(guān)聯(lián)。因此這類方法具有一定的局限性。本文在現(xiàn)有乳腺癌生存期預(yù)測(cè)研究的基礎(chǔ)上,提出了基于深度學(xué)習(xí)和組學(xué)數(shù)據(jù)融合的乳腺癌生存期預(yù)測(cè)模型。首先,通過非負(fù)矩陣分解的改進(jìn)算法提取出與乳腺癌生存期相關(guān)... 

【文章來源】：西南大學(xué)重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文研究?jī)?nèi)容框架圖

就誥虻榷喔鲇τ貿(mào)【耙踩〉昧私蝦玫男Ч?Ｏ旅娼?蛞?檣萇疃妊?爸兄?流的網(wǎng)絡(luò)模型和相關(guān)技術(shù)。2.2.1深度神經(jīng)網(wǎng)絡(luò)作為常用的深度學(xué)習(xí)框架，深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetworks，DNN），可看作一個(gè)有很多隱藏層的感知機(jī)。其中，相鄰兩層網(wǎng)絡(luò)節(jié)點(diǎn)的連接方式為全連接。深度神經(jīng)網(wǎng)絡(luò)相較于淺層神經(jīng)網(wǎng)絡(luò)在建模方面更具有優(yōu)勢(shì)，它能夠有效處理復(fù)雜的非線性系統(tǒng)，并且利用網(wǎng)絡(luò)中的隱藏層對(duì)數(shù)據(jù)進(jìn)行高層次抽象，使整個(gè)模型的泛化能力得到提升。按不同層的位置劃分，DNN內(nèi)部的神經(jīng)網(wǎng)絡(luò)層可以分為：輸入層、隱藏層和輸出層。其結(jié)構(gòu)如圖2.1所示：圖2.1深度神經(jīng)網(wǎng)絡(luò)示意圖其中，數(shù)據(jù)通過輸入層傳入模型，模型內(nèi)部則由多個(gè)隱藏層構(gòu)成，每個(gè)隱藏層包含多個(gè)神經(jīng)元。隱藏層的主要作用是處理上一層傳遞過來的數(shù)據(jù)信息，并且將信息傳遞到下一層。模型的最后一層為輸出層，輸出層的維度由任務(wù)的特性決定。在感知機(jī)中，各層的神經(jīng)元通過全連接的方式組織在一起，將信息由前往后

第2章相關(guān)理論與技術(shù)11化的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖。圖2.2卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)圖從圖2.2中可以看出，卷積神經(jīng)網(wǎng)絡(luò)主要由若干個(gè)卷積層、池化層和全連接層組成。其中，前幾個(gè)網(wǎng)絡(luò)層主要是以卷積層和池化層為主，特征圖將卷積層中的各個(gè)單元組織在一起。特征圖中的每一個(gè)計(jì)算單元都通過濾波器連接上一個(gè)特征圖中對(duì)應(yīng)的局部塊，并將局部塊中的權(quán)值進(jìn)行加權(quán)求和，所得結(jié)果傳遞給非線性函數(shù)。該函數(shù)一般采用激活函數(shù)，如sigmoid函數(shù)。同一張?zhí)卣鲌D上的神經(jīng)元使用的過濾器都是相同的，而其它各層特征圖所采用的過濾器略有差異。這樣的處理方式對(duì)于多維數(shù)據(jù)更具有優(yōu)勢(shì)。在多維數(shù)據(jù)中，每一個(gè)像素點(diǎn)與其周圍像素點(diǎn)的值互相關(guān)聯(lián)，這樣能夠得到圖像中重要的局部特征。此外，其它位置的局部特征之間略有差異，使得不同位置的神經(jīng)元均可以對(duì)權(quán)值進(jìn)行共享。卷積層的主要作用是對(duì)局部特征進(jìn)行提取，池化層的作用是對(duì)相近的特征進(jìn)行整合。通常，池化層采用最大池化或者平均池化對(duì)特征圖中的局部塊進(jìn)行處理，在讀取數(shù)據(jù)時(shí)通過移動(dòng)一行或一列的方式進(jìn)行操作，這樣的方式能夠有效降低輸入數(shù)據(jù)的維度以及保證數(shù)據(jù)的移動(dòng)不變性。通過卷積層、池化層、非線性變換的計(jì)算和最后的全連接操作，神經(jīng)網(wǎng)絡(luò)能夠直接對(duì)輸入數(shù)據(jù)進(jìn)行特征提齲如果是處理分類任務(wù)，可以在最后加入一個(gè)分類層，這樣就實(shí)現(xiàn)了一個(gè)完整的神經(jīng)網(wǎng)絡(luò)分類器。2.2.3注意力機(jī)制介紹注意力（Attention）機(jī)制是深度學(xué)習(xí)領(lǐng)域的一種新技術(shù)。它的主要思想是度量鍵（Key）和請(qǐng)求（Query）之間的相似度，若某一時(shí)刻的輸入與目標(biāo)狀態(tài)越相似，那么這一時(shí)刻的輸入所對(duì)應(yīng)的權(quán)重就會(huì)越大，說明當(dāng)前的輸出更依賴于該時(shí)刻的輸入。例如，我們翻譯“機(jī)器學(xué)習(xí)”這一詞語。當(dāng)翻譯成“machinelearning”的時(shí)候，我們希望模型更加?

【參考文獻(xiàn)】：
期刊論文
[1]基于多組學(xué)數(shù)據(jù)融合構(gòu)建乳腺癌生存預(yù)測(cè)模型[J]. 齊惠穎,江雨荷.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2019(08)
[2]基于層級(jí)規(guī)則樹的跨平臺(tái)基因表達(dá)數(shù)據(jù)分類[J]. 蔡瑞初,侯永杰,郝志峰.  計(jì)算機(jī)工程. 2019(07)
[3]基于混淆矩陣的證據(jù)可靠性評(píng)估[J]. 宋亞飛,王曉丹,雷蕾.  系統(tǒng)工程與電子技術(shù). 2015(04)
[4]系統(tǒng)生物學(xué)研究中不同組學(xué)數(shù)據(jù)的整合[J]. 劉偉,朱云平,賀福初.  中國(guó)生物化學(xué)與分子生物學(xué)報(bào). 2007(12)
[5]縱向數(shù)據(jù)分析方法在中醫(yī)臨床療效評(píng)價(jià)中的應(yīng)用淺析[J]. 謝雁鳴,徐桂琴.  中國(guó)中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志. 2007(09)

碩士論文
[1]基于乳腺癌基因表達(dá)數(shù)據(jù)的特征選擇算法研究[D]. 張穎.西南大學(xué) 2019



本文編號(hào)：2962872