加权部分自适应弹性网络及其在癌症诊断中的应用

发布时间：2021-03-17 16:06

在微阵列数据上利用统计机器学习方法进行基因表达水平上的肿瘤诊断有助于癌症的早期发现和准确的判断,进而在生命科学、医学和信息科学引起了广泛关注。自适应弹性网络及其拓展模型能自适应地成群选择基因,进而被成功地应用于癌症诊断与关键基因筛选。然而,当样本存在噪声时,分类精度将会被噪声严重影响。为了解决该问题,本文提出了一种新型统计机器学习模型。具体地,该文有以下几个贡献:1、利用类间和类内信息,提出了双重加权机制,并据此构建了加权部分自适应弹性网络模型,并基于R语言的glmnet工具包发展了其完全正则化解路算法,成功地抑制了噪声对分类精度的影响;2、利用导数语言描述了机器学习模型在样本加权意义下的自适应群体基因选择效应,并利用求导的方法证明所提模型能激励该效应;3、将所提模型和算法应用于三类癌症诊断中去,成功地筛选出了癌症相关基因。
【学位授予单位】：河南师范大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：R730.4;TP181

文章目录

摘要

ABSTRACT

第一章绪论

1.1 微阵列分类

1.2 统计机器学习

1.3 正则化解路算法

1.4 课题来源

第二章加权部分自适应弹性网络及其正则化解路算法

2.1 问题陈述及预备知识

2.2 双加权机制

2.3 加权部分自适应弹性网络模型及其性能

2.3.1 统计学习模型

2.3.2 自适应群体基因选择性能

2.4 正则化解路算法

2.4.1 算法

第三章基于基因表达谱数据的癌症诊断

3.1 基于基因表达谱数据的白血病诊断

3.2 基于基因表达谱数据的肺癌诊断

3.3 基于基因表达谱数据的结肠癌诊断

第四章结论与展望

4.1 结论

4.2 展望

参考文献

致谢

攻读学位期间的科研成果

【参考文献】