基于机器学习的癌症辅助诊断应用研究

发布时间：2023-03-22 20:42

　　癌症已成为当今社会威胁人类身体健康的一个不可忽视的问题。传统的癌症诊断方式通常采用细胞形态学,组织病理学等方式。随着机器学习技术在计算机视觉,自然语言处理和语音识别等方面都取得了不错的应用效果,利用机器学习技术对癌症进行预测成为了一种新的可操作方式。根据癌症检测的主要内容,本文将机器学习技术应用于智能医疗领域,分别针对癌症易感性,癌症幸存性与癌症复发性构建模型,辅助医生进行诊断决策。本文的主要研究内容和主要贡献如下:(1)对宫颈癌易感性问题进行研究。针对宫颈癌诊断中存在的类别不平衡问题以及过滤无效特征的问题,本文从数据分布、模型精度和特征数量角度出发,提出了一种结合粒子群算法与合成少数类过采样算法的方法。以此方法与多种机器学习模型对宫颈癌易感性进行研究,旨在解决数据集中的类别不平衡以及过滤无效特征的问题。其中本文所用的合成少数类过采样算法能够较好的模拟数据分布,粒子群算法不仅考虑了模型精度,而且兼顾了特征数量自动选取问题,相比较于传统模型采用的递归特征消除方法和主成分分析方法,该方法避免了手动设置特征数量的缺点。实验表明,该方法优于传统方法并能有效提高模型性能。(2)对肺癌幸存性问题进...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与研究意义
    1.2 研究现状
        1.2.1 基于机器学习的癌症易感性研究现状
        1.2.2 基于机器学习的癌症幸存性研究现状
        1.2.3 基于机器学习的癌症复发性研究现状
    1.3 本文的研究内容与组织结构
        1.3.1 本文的研究内容
        1.3.2 本文的组织结构
第二章 机器学习相关理论及算法
    2.1 机器学习理论
    2.2 机器学习常用算法
        2.2.1 支持向量机
        2.2.2 神经网络
        2.2.3 随机森林
        2.2.4 梯度提升树
    2.3 特征选择
    2.4 本章小结
第三章 基于合成少数类过采样算法和粒子群优化的宫颈癌预测模型
    3.1 引言
    3.2 合成少数类过采样算法
    3.3 粒子群算法
    3.4 实验设计
        3.4.1 实验数据集
        3.4.2 实验流程
        3.4.3 评价指标
    3.5 实验结果
        3.5.1 目标变量:HINSELMANN
        3.5.2 目标变量:SCHILLER
        3.5.3 目标变量:CITOLOGY
        3.5.4 目标变量:BIOPSY
        3.5.5 结果对比
    3.6 本章小结
第四章 基于LIGHTGBM和特征选择的肺癌患者幸存时间预测模型
    4.1 引言
    4.2 LIGHTGBM
    4.3 遗传算法
    4.4 实验设计
        4.4.1 实验数据集
        4.4.2 实验流程
    4.5 实验结果
        4.5.1 无特征选择阶段的分类评价
        4.5.2 使用遗传算法进行特征选择阶段的分类评价
        4.5.3 使用粒子群算法进行特征选择阶段的分类评价
        4.5.4 比较分析阶段
        4.5.5 特征重要性
    4.6 本章小结
第五章 基于堆叠网络的乳腺癌复发预测模型
    5.1 引言
    5.2 堆叠网络
    5.3 实验设计
        5.3.1 实验数据集
        5.3.2 实验流程
    5.4 实验结果
        5.4.1 无特征选择阶段的分类评价
        5.4.2 有特征选择阶段的分类评价
        5.4.3 比较分析阶段
    5.5 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 未来展望
致谢
参考文献



本文编号：3767546