發(fā)布時(shí)間：2021-12-17 18:10

　　癌癥是一種嚴(yán)重威脅人類生命健康的疾病。在我國(guó),乳腺癌是女性最常見(jiàn)的惡性腫瘤類型;且相比于歐美發(fā)達(dá)國(guó)家,我國(guó)乳腺癌患者的總體存活率較低。乳腺癌已經(jīng)成為目前社會(huì)面臨的重大公共衛(wèi)生問(wèn)題,亟需人們的關(guān)注和重視。針對(duì)乳腺癌患者的生存分析是目前一個(gè)重要的研究方向,它主要研究有哪些因素顯著影響乳腺癌患者預(yù)后生存情況,并對(duì)其生存期進(jìn)行預(yù)測(cè)。生存分析能夠幫助醫(yī)師有針對(duì)性地選擇治療方案;幫助患者預(yù)測(cè)疾病的發(fā)展方向,以及可能的生存期;幫助研究者判斷藥物或者治療方案的有效性。在針對(duì)乳腺癌數(shù)據(jù)的預(yù)后生存分析中,越來(lái)越多的研究者開(kāi)始關(guān)注陽(yáng)性淋巴結(jié)比率（Lymph Node Ratio,LNR）這一特征對(duì)患者預(yù)后生存情況的影響。LNR通過(guò)計(jì)算檢驗(yàn)切片上陽(yáng)性淋巴結(jié)個(gè)數(shù)占淋巴結(jié)總數(shù)的比率得到。但實(shí)際應(yīng)用中,該特征受到檢驗(yàn)觀測(cè)手法不同等原因的影響,不能準(zhǔn)確地反應(yīng)患者LNR的總體真實(shí)情況。因此,本文提出了基于患者的病理特征,通過(guò)邏輯回歸算法和貝葉斯方法對(duì)LNR進(jìn)行估計(jì),取得了比直接使用其切檢值進(jìn)行預(yù)后生存分析更好的效果。此外,在生存分析中,為處理數(shù)據(jù)集中不滿足Cox回歸模型比例風(fēng)險(xiǎn)假設(shè)的特征,本文分別提出了基于貝葉斯方法的... 

【文章來(lái)源】：華北電力大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 生存分析
        1.2.2 陽(yáng)性淋巴結(jié)比率(LNR)
    1.3 本文的主要工作與論文安排
第2章 LNR估計(jì)
    2.1 LNR估計(jì)方法
        2.1.1 基于邏輯回歸的LNR估計(jì)
        2.1.2 基于貝葉斯方法的LNR估計(jì)
    2.2 小結(jié)
第3章 生存分析
    3.1 比例風(fēng)險(xiǎn)假設(shè)檢驗(yàn)方法
        3.1.1 圖像法
        3.1.2 Schoenfeld殘差
        3.1.3 添加時(shí)變變量
    3.2 分層Cox回歸模型
        3.2.1 分層Cox回歸模型概述
        3.2.2 基于貝葉斯方法的分層Cox回歸模型
    3.3 時(shí)變Cox回歸模型
        3.3.1 時(shí)變Cox回歸模型
        3.3.2 基于貝葉斯方法的動(dòng)態(tài)Cox回歸模型
    3.4 生存分析模型的評(píng)價(jià)方法
        3.4.1 一致性指數(shù)
        3.4.2 ROC/AUC曲線
    3.5 小結(jié)
第4章 LNR估計(jì)與生存分析仿真
    4.1 數(shù)據(jù)描述
    4.2 LNR估計(jì)結(jié)果
        4.2.1 特征選擇
        4.2.2 邏輯回歸估計(jì)LNR
        4.2.3 貝葉斯方法估計(jì)LNR
        4.2.4 過(guò)擬合驗(yàn)證
    4.3 生存分析仿真
        4.3.1 比例風(fēng)險(xiǎn)模型假設(shè)
        4.3.2 基于貝葉斯方法的分層Cox回歸模型
        4.3.3 基于貝葉斯方法的動(dòng)態(tài)Cox回歸模型
    4.4 結(jié)果討論
        4.4.1 訓(xùn)練結(jié)果比較
        4.4.2 預(yù)測(cè)結(jié)果比較
    4.5 小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號(hào)：3540662