基于深度学习的癌症基因数据分类研究与实现

发布时间：2023-05-25 01:22

　　随着高通量基因测序技术的快速发展和应用,使得个人基因测序成本大大降低。它为人类基于基因水平的癌症研究创造了先决条件。目前,信息智能化的进一步推进,使得人工智能已经在各个领域发挥着重要作用,尤其是在医疗健康领域,越来越多的研究者利用深度学习对基因测序数据进行分析。可用于辅助医生诊断癌症以及制定个性化治疗方案。基因表达水平上的癌症研究在很大程度上促进了癌症诊断和治疗技术的发展。本文利用深度学习算法对癌症基因组数据的分类模型进行研究与实现主要研究工作如下:1.本文改进了一种基于重构误差的深度信念网络深度自适应确定方法。让深度神经网络的深度确定不再完全依赖于人工设置,而是根据RBM的重构误差以及最深网络层数在模型训练过程中自适应确定,在一定程度上降低了人工网络层数设定的随机性。使模型在预训练过程能够自适应的确定一个较好的网络深度。2.本文提出了一种结合深度信念网络和LightGBM的癌症基因组数据分类模型。利用深度信念网络对癌症基因数据进行特征提取,代替了高成本的人工特征提取过程,用于LightGBM分类模型。在TCGA的拷贝数变异数据集上进行模型性能分析,实验结果表明,利用深度信念网络五折提...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
        1.2.1 癌症基因组学的研究现状
        1.2.2 深度学习研究现状
        1.2.3 深度学习在基因领域的研究现状
    1.3 本文的研究内容及组织结构
        1.3.1 本文的研究内容
        1.3.2 本文的组织结构
第二章 深度学习相关理论研究
    2.1 人工神经网络
    2.2 深度神经网络
    2.3 受限玻尔兹曼机
    2.4 深度信念网络
    2.5 本章小结
第三章 基于重构误差的深度信念网络深度自适应确定算法
    3.1 引言
    3.2 RBM无监督预训练过程
    3.3 基于重构误差的深度信念网络深度自适应确定算法可行性分析
    3.4 基于改进的重构误差深度自适应确定算法
    3.5 实验结果
        3.5.1 实验数据分析
        3.5.2 评价指标
        3.5.3 实验结果及分析
    3.6 本章小结
第四章 基于深度信念网络和LightGBM的癌症分类模型
    4.1 引言
    4.2 GBDT算法
    4.3 LightGBM算法
    4.4 基于深度信念网络和LightGBM癌症分类模型设计
    4.5 实验结果分析
        4.5.1 实验数据分析
        4.5.2 癌症二分类实验结果分析
        4.5.3 癌症多分类实验结果分析
    4.6 本章小结
第五章 基于深度学习的多模态乳腺癌蛋白质状态分类模型
    5.1 引言
    5.2 多模态学习
    5.3 多模态融合
    5.4 基于深度学习的多模态乳腺癌蛋白质分类模型总体设计
    5.5 实验分析
        5.5.1 实验数据分析
        5.5.2 实验结果分析
    5.6 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 未来展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3822658