基于机器学习算法的前列腺癌诊断模型研究

发布时间：2017-10-13 23:33

  本文关键词：基于机器学习算法的前列腺癌诊断模型研究

  更多相关文章： 前列腺癌 前列腺增生 诊断模型 Logistic回归 BP神经网络 随机森林

【摘要】：目的：基于机器学习的三种算法建立诊断预测模型,比较三种模型在前列腺癌中的诊断价值。方法：2008-2014年在中国人民解放军总医院进行前列腺穿刺活检患者956例(其中前列腺癌463例,前列腺增生493例),通过Logistic回归筛选出的预测因子包括年龄,游离之前列腺特异抗原(游离PSA),游离之前列腺特异抗原百分比(游离PSA百分比),前列腺体积和前列腺特异性抗原密度(PSA密度)。应用基于机器学习的BP神经网络,Logistic回归和随机森林算法构建诊断预测模型,比较三种模型对前列腺癌的预测准确性。结果：Logistic回归,BP神经网络和随机森林模型对前列腺癌的诊断能力比任一单项指标都高,三种模型的灵敏度分别为77.5%,77.4%,76.2%,特异度分别为74.8%,76.8%,76.9%,精确度分别为76%,77%,77%,受试者工作特征曲线下面积(ROC)分别为0.831,0.832,0.833,三种模型对前列腺癌的诊断能力没有显著性差异。结论：上述结果验证了三种模型具有较高的诊断有效性,可把诊断模型纳入泌尿决策,协助临床医生对前列腺癌患者的诊断和治疗,以此减少非必要的穿刺活检。
【关键词】：前列腺癌 前列腺增生 诊断模型 Logistic回归 BP神经网络 随机森林
【学位授予单位】：中国人民解放军医学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R737.25
【目录】：

• 中文摘要6-7
• Abstract7-8
• 第1章 绪论8-15
• 1.1 研究背景和意义8-9
• 1.2 前列腺癌的危险因素9
• 1.3 前列腺癌的诊断方法9-13
• 1.4 前列腺癌诊断模型13
• 1.5 本论文研究内容13-15
• 第2章 基于Logistic回归的前列腺癌诊断模型15-22
• 2.1 数据资料15-16
• 2.1.1 数据来源15
• 2.1.2 数据预处理15-16
• 2.2 研究对象16-17
• 2.2.1 纳入标准16
• 2.2.2 排除标准16
• 2.2.3 分组16-17
• 2.3 模型构建17-18
• 2.3.1 设计思路17
• 2.3.2 预测变量和统计学方法17-18
• 2.4 Logistic回归模型结果18-20
• 2.5 本章小结20-22
• 第3章 基于BP神经网络的前列腺癌诊断模型22-35
• 3.1 人工神经网络22-24
• 3.1.1 人工神经网络的结构22-23
• 3.1.2 人工神经网络的学习23-24
• 3.2 BP神经网络24-31
• 3.2.1 BP神经网络的结构24-25
• 3.2.2 BP神经网络的原理25-29
• 3.2.3 BP神经网络的学习过程29-30
• 3.2.4 BP神经网络的特点30-31
• 3.3 BP神经网络的预测模型31-34
• 3.3.1 设计思路和步骤31-33
• 3.3.2 BP神经网络模型结果33-34
• 3.4 本章小结34-35
• 第4章 基于随机森林算法的前列腺癌诊断模型35-40
• 4.1 随机森林算法35-36
• 4.2 变量重要性评分36-37
• 4.3 随机森林模型结果37-39
• 4.4 本章小结39-40
• 第5章 三种诊断模型比较及结论40-44
• 5.1 三种模型结果的比较40
• 5.2 结论40-41
• 5.3 讨论41-43
• 5.4 本章小结43-44
• 第6章 总结与展望44-46
• 6.1 全文总结44
• 6.2 工作展望44-46
• 参考文献46-52
• 文献综述52-58
• 参考文献55-58
• 攻读学位期间发表文章情况58-59
• 致谢59

，

本文编号：1027707