發(fā)布時間：2022-01-20 10:19

　　根據(jù)世界衛(wèi)生組織最近幾年的統(tǒng)計報告可以發(fā)現(xiàn),對于癌癥這種惡性腫瘤疾病,它的發(fā)病率與死亡率都在逐漸變高,已經(jīng)對人類的健康造成了很大的影響。隨著機器學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的不斷發(fā)展,機器學(xué)習(xí)的很多方法已經(jīng)可以更準(zhǔn)確地預(yù)測癌癥的發(fā)生與轉(zhuǎn)移,抓住疾病的最佳治療時機,進而有效控制癌癥的死亡率。針對這一現(xiàn)狀,本文收集到2016年至2018年間長春市某大型醫(yī)院的100名患者的397個放射組學(xué)特征,并依據(jù)統(tǒng)計學(xué)方法對收集到的放射組學(xué)特征來建立數(shù)學(xué)模型,進而預(yù)測非小細胞肺癌患者是否發(fā)生EGFR的突變。對于EGFR突變,有很多影響因素,為了得到更有效的預(yù)測模型,本文首先對收集到的397個放射組學(xué)特征,應(yīng)用LASSO算法進行特征選擇,得到對EGFR的突變影響最大的15個放射組學(xué)特征,進而實現(xiàn)對放射組學(xué)特征的降維,消除冗余的特征。接下來對得到的放射組學(xué)特征建立基于機器學(xué)習(xí)算法的三種預(yù)測模型,分別為高斯過程、樸素貝葉斯模型、LightGBM算法,并進行簡單地對比分析,可以發(fā)現(xiàn)LightGBM算法具有更明顯的優(yōu)勢。依據(jù)這個預(yù)測模型可以有效地判斷非小細胞肺癌患者是否發(fā)生EGFR的突變,并且可以為接下來的研究提供了新的思路,... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：34 頁

【學(xué)位級別】：碩士

【部分圖文】：

Leaf-wise的葉子生長策略

第2章理論基礎(chǔ)8數(shù)據(jù)都是稀疏的，并且在這些特征中有一些特征之間可能是互斥的。我們可以將這些稀疏的特征合并為一個特征，這時通常是以可以合并，并且合并后的總特征的數(shù)量少為最終目標(biāo)。這里把合并后的特征稱為獨立特征束，然后用這些獨立特征束來構(gòu)建直方圖，這樣大大地加快了計算的速度，并且模型的準(zhǔn)確率也不會受到不好的影響�；谏鲜龅母倪M方面，LightGBM算法相對于GBDT算法具有更好的預(yù)測性能，可以更快地進行模型的訓(xùn)練與測試，尤其是對于本文的放射組學(xué)特征的數(shù)據(jù)，表現(xiàn)出很強的優(yōu)勢。2.3混淆矩陣在機器學(xué)習(xí)領(lǐng)域中，混淆矩陣是一種基于原始數(shù)據(jù)集的預(yù)測值和真實值的關(guān)系的分類效果圖，它可以很好地評價分類器的預(yù)測性能，已經(jīng)被眾多學(xué)者應(yīng)用于有關(guān)分類的實際問題中。對于最常用的二元分類，其實就是得到一個22的表格，見圖2-2[37]。圖2-2混淆矩陣示意圖對于上面的混淆矩陣，可以知道對于一個很好的預(yù)測模型肯定是TN,TP的值越大越好，這樣預(yù)測的準(zhǔn)確率才會比較高。依據(jù)混淆矩陣能夠計算得到分類模型預(yù)測的準(zhǔn)確率、特異性、敏感性、精確率、召回率、F1-值，計算的公式為：FPFNTNTPTNTP準(zhǔn)確率FPTNTN特異性FNTPTP敏感性、召回率

第2章理論基礎(chǔ)9FPTPTP精確率召回率精確率召回率精確率值F21通過比較它們的值的大小，便可以知道基于某種機器學(xué)習(xí)算法的預(yù)測模型的精度與性能，是不是符合我們的預(yù)期。2.4ROC曲線與AUC值ROC曲線即接受者的操作特征曲線（receiveroperatingcharacteristiccurve），也稱感受性曲線。該曲線以假正率（FPR）為x軸，以真正率（TPR）為y軸進行構(gòu)圖，一般地ROC曲線都在yx這條直線的上方（如圖2-3）。當(dāng)曲線越是“凸”向左上角時，則可以表明預(yù)測模型的真實性越高，分類的效果就越好。同時把ROC曲線與圖中橫縱坐標(biāo)軸圍成的面積記作AUC，很明顯，圖中的面積的取值不會出現(xiàn)大于1的情況，AUC的取值狀況通常介于0.5和1.0這個區(qū)間之內(nèi)。當(dāng)AUC的取值越大時，即越靠近1.0的時候，說明試驗的結(jié)果處于很好的決策點，具有較高的診斷價值[38]。圖2-3ROC曲線示意圖

【參考文獻】：
期刊論文
[1]機器學(xué)習(xí)在抑郁癥領(lǐng)域的應(yīng)用[J]. 董健宇,韋文棋,吳珂,妮娜,王粲霏,付瑩,彭歆.  心理科學(xué)進展. 2020(02)
[2]基于機器學(xué)習(xí)的放射組學(xué)預(yù)測非小細胞肺癌EGFR基因突變[J]. 胡麗霞,江長思,羅燕,梅東東,龔靜山,馬捷.  醫(yī)學(xué)影像學(xué)雜志. 2019(07)
[3]LightGBM算法在阿爾茨海默癥結(jié)構(gòu)磁共振成像分類中的應(yīng)用[J]. 周文,王瑜,李長勝,肖洪兵,邢素霞.  中國醫(yī)學(xué)物理學(xué)雜志. 2019(04)
[4]基于LightGBM的銀行信用卡違約研究[J]. 張國慶,昌寧.  科技資訊. 2019(12)
[5]ICU患者急性腎損傷發(fā)生風(fēng)險的LightGBM預(yù)測模型[J]. 張淵,馮聰,李開源,張政波,曹德森,黎檀實.  解放軍醫(yī)學(xué)院學(xué)報. 2019(04)
[6]基于深度學(xué)習(xí)的癌癥計算機輔助分類診斷研究進展[J]. 肖煥輝,袁程朗,馮仕庭,羅宴吉,黃炳升.  國際醫(yī)學(xué)放射學(xué)雜志. 2019(01)
[7]左右半結(jié)腸癌研究進展[J]. 閻偉,劉洋,魏云巍.  中國腫瘤臨床. 2018(22)
[8]大數(shù)據(jù)背景下機器學(xué)習(xí)在數(shù)據(jù)挖掘中的應(yīng)用淺析[J]. 孫凱.  科學(xué)技術(shù)創(chuàng)新. 2018(18)
[9]胃腸道淋巴瘤64排螺旋CT與MRI影像學(xué)特點分析[J]. 孫曉云,甄鑫,張強,徐曉燕.  癌癥進展. 2018(03)
[10]不同手術(shù)方式在結(jié)腸癌治療中的效果分析和預(yù)后比較[J]. 高勇,李治國.  癌癥進展. 2017(05)

博士論文
[1]基于機器學(xué)習(xí)的胸部X光片分類及胸部病變定位方法研究[D]. 李子榮.蘭州大學(xué) 2019
[2]基于機器學(xué)習(xí)的腫瘤基因表達譜數(shù)據(jù)分析方法研究[D]. 劉健.中國礦業(yè)大學(xué) 2018

碩士論文
[1]基于放射組學(xué)在肺癌良惡性預(yù)測的初步研究[D]. 方勝儒.天津醫(yī)科大學(xué) 2018
[2]基于LightGBM,XGBoost,ERT混合模型的風(fēng)機葉片結(jié)冰預(yù)測研究[D]. 張丹峰.上海師范大學(xué) 2018
[3]ROC曲線廣義線性模型及其醫(yī)學(xué)應(yīng)用[D]. 尉潔.山西醫(yī)科大學(xué) 2010
[4]Lasso及其相關(guān)方法在廣義線性模型模型選擇中的應(yīng)用[D]. 龔建朝.中南大學(xué) 2008



本文編號：3598648