本文關(guān)鍵詞：基于SVM的質(zhì)譜細(xì)胞儀高維數(shù)據(jù)分析在AML早期診斷方面的應(yīng)用研究

  更多相關(guān)文章： 質(zhì)譜細(xì)胞術(shù) 高維數(shù)據(jù)分析 SVM 急性髓細(xì)胞白血病(AML) 早期診斷

【摘要】：白血病是一類造血系統(tǒng)的惡性腫瘤,通常表現(xiàn)為異常的白細(xì)胞惡性增殖。我國白血病的發(fā)病率在各種腫瘤中占第六位,居青少年惡性腫瘤首位。白血病按起病的緩急可分為急性白血病和慢性白血病,其中急性髓細(xì)胞白血病(AML)是一種髓系血細(xì)胞的惡性腫瘤,是成人中最常見的一種急性白血病。急性髓細(xì)胞白血病的臨床診斷包括血常規(guī)檢查、骨髓常規(guī)檢查、細(xì)胞免疫學(xué)分型、細(xì)胞遺傳學(xué)檢查等。這些方法存在需要有經(jīng)驗(yàn)的臨床病理專家進(jìn)行操作、無法進(jìn)行自動(dòng)化分析、耗時(shí)且主觀等一定的局限性。臨床上AML一般通過血液或骨髓中的原始粒(或單核)細(xì)胞占比超過20%進(jìn)行確診。實(shí)現(xiàn)對(duì)AML的自動(dòng)化早期診斷,對(duì)于疾病發(fā)展迅速、病程較短的急性白血病而言,預(yù)期可提高診斷的準(zhǔn)確性及病人治愈率。質(zhì)譜細(xì)胞術(shù)是近年發(fā)展起來的一種新型單細(xì)胞分析技術(shù)。該技術(shù)集成了質(zhì)譜和細(xì)胞儀的原理,可在單細(xì)胞中同時(shí)測量幾十種甚至上百種特征標(biāo)記物,不僅能進(jìn)行高速的分析,而且具有質(zhì)譜分析的高精確度與高識(shí)別能力。質(zhì)譜細(xì)胞儀較之傳統(tǒng)熒光流式細(xì)胞儀測量的參數(shù)多且通道之間沒有干擾,并且不需要進(jìn)行補(bǔ)償計(jì)算,已成為單細(xì)胞分析的一個(gè)新方向。本論文首先系統(tǒng)介紹了質(zhì)譜細(xì)胞術(shù)的相關(guān)理論,包括其發(fā)展現(xiàn)狀、原理、常用的數(shù)據(jù)分析方法及其應(yīng)用,然后介紹了我們基于支持向量機(jī)(SVM)的質(zhì)譜細(xì)胞儀高維數(shù)據(jù)分析方法。論文利用該方法對(duì)質(zhì)譜細(xì)胞儀的健康人類骨髓樣本高維數(shù)據(jù)進(jìn)行了分析,實(shí)現(xiàn)了對(duì)多種細(xì)胞的分類識(shí)別,并用分類的結(jié)果對(duì)該方法進(jìn)行了性能評(píng)估。最后,論文開展了基于SVM的質(zhì)譜細(xì)胞儀高維數(shù)據(jù)分析應(yīng)用于AML早期診斷的研究,初步驗(yàn)證了該方法用于AML自動(dòng)化早期診斷的可行性。質(zhì)譜細(xì)胞儀測量參數(shù)多、單細(xì)胞識(shí)別準(zhǔn)確率高,預(yù)期可以獲得更好的診斷準(zhǔn)確率,應(yīng)用前景廣泛。本論文將質(zhì)譜細(xì)胞術(shù)的單細(xì)胞識(shí)別準(zhǔn)確率高的優(yōu)勢(shì)與SVM機(jī)器學(xué)習(xí)方法相結(jié)合,揭示了該方法在AML早期診斷方面的應(yīng)用潛力。論文研究工作在疾病的早期診斷以及診斷過程自動(dòng)化方面具有一定意義。
【關(guān)鍵詞】：質(zhì)譜細(xì)胞術(shù) 高維數(shù)據(jù)分析 SVM 急性髓細(xì)胞白血病(AML) 早期診斷
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R733.71
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 緒論12-20
• 1.1 研究背景及現(xiàn)狀12-16
• 1.1.1 急性髓細(xì)胞白血病(AML)檢測技術(shù)簡介12-13
• 1.1.2 質(zhì)譜細(xì)胞術(shù)在白血病方面的研究現(xiàn)狀13-16
• 1.2 研究意義16-17
• 1.3 論文主要內(nèi)容及框架17-20
• 第二章 質(zhì)譜細(xì)胞儀工作原理及應(yīng)用20-36
• 2.1 起源與發(fā)展20-21
• 2.2 技術(shù)原理21-27
• 2.2.1 硬件系統(tǒng)21-23
• 2.2.2 標(biāo)簽與試劑23-26
• 2.2.3 工作流程26-27
• 2.3 數(shù)據(jù)分析系統(tǒng)27-33
• 2.4 應(yīng)用領(lǐng)域33-34
• 2.5 本章小結(jié)34-36
• 第三章 基于支持向量機(jī)(SVM)的質(zhì)譜細(xì)胞儀數(shù)據(jù)分析方法36-46
• 3.1 數(shù)據(jù)來源36-38
• 3.2 數(shù)據(jù)分析38-42
• 3.2.1 讀數(shù)據(jù)38-39
• 3.2.2 數(shù)據(jù)篩選和貼標(biāo)簽39-42
• 3.2.3 數(shù)據(jù)歸一化42
• 3.3 利用SVM對(duì)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)的過程42-45
• 3.3.1 程序結(jié)構(gòu)42
• 3.3.2 輸出形式42-44
• 3.3.3 評(píng)估指標(biāo)44-45
• 3.4 本章小結(jié)45-46
• 第四章 質(zhì)譜細(xì)胞儀高維數(shù)據(jù)分析用于細(xì)胞分類的初步驗(yàn)證46-56
• 4.1 二分類46-50
• 4.1.1 數(shù)據(jù)準(zhǔn)備46
• 4.1.2 參數(shù)優(yōu)化46-48
• 4.1.3 結(jié)果及討論48-50
• 4.2 多分類50-53
• 4.2.1 數(shù)據(jù)準(zhǔn)備50-51
• 4.2.2 參數(shù)優(yōu)化51
• 4.2.3 結(jié)果及討論51-53
• 4.3 本章小結(jié)53-56
• 第五章 質(zhì)譜細(xì)胞儀高維數(shù)據(jù)分析用于AML早期診斷56-68
• 5.1 AML樣本數(shù)據(jù)集的準(zhǔn)備及討論56-59
• 5.1.1 AML樣本的數(shù)據(jù)篩選和貼標(biāo)簽56-58
• 5.1.2 制備AML樣本數(shù)據(jù)集58-59
• 5.2 將細(xì)胞多分類過程推廣到AML早期診斷59-66
• 5.2.1 實(shí)驗(yàn)結(jié)果59-64
• 5.2.2 討論64-66
• 5.3 本章小結(jié)66-68
• 第六章 總結(jié)與展望68-72
• 6.1 總結(jié)68-69
• 6.2 展望69-72
• 參考文獻(xiàn)72-78
• 致謝78-79
• 附件79

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 張秀秀;王慧;田雙雙;喬楠;閆麗娜;王彤;;高維數(shù)據(jù)回歸分析中基于LASSO的自變量選擇[J];中國衛(wèi)生統(tǒng)計(jì);2013年06期

2 ;[J];;年期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前6條

1 周煜人;彭輝;桂衛(wèi)華;;基于映射的高維數(shù)據(jù)聚類方法[A];04'中國企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專輯[C];2004年

2 梁俊杰;楊澤新;馮玉才;;大規(guī)模高維數(shù)據(jù)庫索引結(jié)構(gòu)[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

3 陳冠華;馬秀莉;楊冬青;唐世渭;帥猛;;面向高維數(shù)據(jù)的低冗余Top-k異常點(diǎn)發(fā)現(xiàn)方法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

4 劉運(yùn)濤;鮑玉斌;吳丹;冷芳玲;孫煥良;于戈;;CBFrag-Cubing:一種基于壓縮位圖的高維數(shù)據(jù)立方創(chuàng)建算法(英文)[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2005年

5 劉文慧;;PCA與PLS用于高維數(shù)據(jù)分類的比較性研究[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會(huì)會(huì)議論文集[C];2011年

6 劉喜蘭;馮德益;王公恕;朱成喜;馮雯;;臉譜分析在中進(jìn)期地震跟蹤預(yù)報(bào)中的應(yīng)用[A];中國地震學(xué)會(huì)第四次學(xué)術(shù)大會(huì)論文摘要集[C];1992年

中國重要報(bào)紙全文數(shù)據(jù)庫 前1條

1 本報(bào)記者 李雙藝;引領(lǐng)高維數(shù)據(jù)分析先河[N];吉林日?qǐng)?bào);2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 劉勝藍(lán);余弦度量下的高維數(shù)據(jù)降維及分類方法研究[D];大連理工大學(xué);2015年

2 黃曉輝;高維數(shù)據(jù)的若干聚類問題及算法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 楊風(fēng)召;高維數(shù)據(jù)挖掘中若干關(guān)鍵問題的研究[D];復(fù)旦大學(xué);2003年

4 陳黎飛;高維數(shù)據(jù)的聚類方法研究與應(yīng)用[D];廈門大學(xué);2008年

5 吳慶耀;高維數(shù)據(jù)的若干分類問題及算法研究[D];哈爾濱工業(yè)大學(xué);2013年

6 樓巍;面向大數(shù)據(jù)的高維數(shù)據(jù)挖掘技術(shù)研究[D];上海大學(xué);2013年

7 黃健美;高維數(shù)據(jù)索引及其查詢處理技術(shù)研究[D];東北大學(xué);2009年

8 任亞洲;高維數(shù)據(jù)上的聚類方法研究[D];華南理工大學(xué);2014年

9 董道國;高維數(shù)據(jù)索引結(jié)構(gòu)研究[D];復(fù)旦大學(xué);2005年

10 于怡;高維數(shù)據(jù)變量選擇的幾點(diǎn)研究[D];復(fù)旦大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 侯小麗;高維數(shù)據(jù)聚類中的神經(jīng)網(wǎng)絡(luò)降維方法研究[D];蘭州大學(xué);2015年

2 孫喜利;高維數(shù)據(jù)的降維及聚類方法研究[D];蘭州大學(xué);2016年

3 吳佳妮;基于SVM的質(zhì)譜細(xì)胞儀高維數(shù)據(jù)分析在AML早期診斷方面的應(yīng)用研究[D];山東大學(xué);2016年

4 段文靜;高維數(shù)據(jù)下基于密度聚類方法的研究與應(yīng)用[D];蘭州大學(xué);2016年

5 黃青君;基于稀疏子空間的高維數(shù)據(jù)聚類關(guān)鍵技術(shù)研究與應(yīng)用[D];電子科技大學(xué);2016年

6 康永為;大數(shù)據(jù)環(huán)境下高維數(shù)據(jù)處理若干問題[D];廣西師范大學(xué);2013年

7 張曉;基于超網(wǎng)絡(luò)的高維數(shù)據(jù)聚類方法研究[D];山東師范大學(xué);2015年

8 陳路瑩;高維數(shù)據(jù)的聚類分析方法研究及其應(yīng)用[D];廈門大學(xué);2009年

9 王立強(qiáng);基于多元統(tǒng)計(jì)圖的高維數(shù)據(jù)降維方法及應(yīng)用研究[D];燕山大學(xué);2006年

10 胡飛;面向高維數(shù)據(jù)的統(tǒng)計(jì)分類分析[D];安慶師范學(xué)院;2015年

，

本文編號(hào)：638627