基于机器学习的多元辅助肿瘤诊断相关研究

发布时间：2022-01-15 04:38

　　近年来,肿瘤给人类健康带来越来越严峻的挑战,而且随着医疗数据的积累和人工智能技术的突破性发展,如何高效地辅助肿瘤诊断已经成为生物信息和计算机等学科所面临的挑战性难题。对肿瘤患者的临床、基因、代谢和医疗影像等数据构建机器学习模型,可以从不同角度理解和分析肿瘤发生发展的状态,从而达到高效地辅助肿瘤诊断的目标。为此,本文基于机器学习理论,针对肿瘤发生发展不同阶段的特点和多种模态医疗数据,围绕辅助肿瘤诊断中的四个关键问题进行了相关研究。本文研究的第一个问题是如何选择合适的配对特征选择算法（Matched-Pairs Feature Selection,MPFS）用于筛选肿瘤差异表达基因。肿瘤发生发展过程中只有很少的基因会发生差异性表达,筛选出这些基因将有助于在更深层次上理解肿瘤的形成机制,从而实现更精确的辅助肿瘤诊断。目前研究者利用特征选择方法在筛选差异表达基因上取得了大量的研究成果,然而考虑了基因表达数据的病例-对照配对特性的配对特征选择方法却尚未得到广泛的开发和研究。因此,本文第3章对近十年的配对特征选择方法进行了整理总结,给出了其一般性定义,并将其归纳为三大类型,分别为统计假设检验类、条... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：144 页

【学位级别】：博士

【部分图文】：

肿瘤发发展的各个阶段1

本的章节结构图

2.1 本文的数据来源肿瘤是一种复杂性疾病，它的辅助诊断研究涉及生物、化学、计算机以及生物信息学等多个学科的交叉融合[131-133]。近十年来，随着医疗影像技术的进步，以及基因测序技术的发展，大量临床、基因和医疗影像数据的积累，为肿瘤的研究、诊断和治疗提供了强大的助力[21, 22, 134, 135]。而且近年来以机器学习为核心的人工智能技术得到跨越式发展和广泛的应用，许多国家开始重视人工智能技术在肿瘤领域中的应用和研究。本文主要研究如何利用机器学习理论更加高效地辅助肿瘤诊断，从基因和医疗影像这两种医疗数据的视角，对肿瘤发生发展的不同阶段的诊断过程中的四个关键问题进行了相关算法研究。本文涉及的数据类型主要有基因表达数据、基因突变数据、基因注释数据以及医疗影像数据等等。本文主要利用这些数据进行辅助肿瘤诊断算法研究，并构建实验以验证算法的性能，这些数据主要来源于一些公开数据库，如图 2.1 所示。在接下来的四个小节中将具体介绍这些不同类型的数据库。

【参考文献】：
期刊论文
[1]鼻咽癌放疗后诱发的恶性肿瘤（附198例报道）[J]. 王海霞,刘孟忠,何立儒,习勉,刘慧,胡永红,蔡玲.  中国肿瘤临床. 2008(06)



本文编号：3589916