基于SVM的质谱细胞仪高维数据分析在AML早期诊断方面的应用研究

发布时间：2017-08-08 06:29

  本文关键词：基于SVM的质谱细胞仪高维数据分析在AML早期诊断方面的应用研究

  更多相关文章： 质谱细胞术 高维数据分析 SVM 急性髓细胞白血病(AML) 早期诊断

【摘要】：白血病是一类造血系统的恶性肿瘤,通常表现为异常的白细胞恶性增殖。我国白血病的发病率在各种肿瘤中占第六位,居青少年恶性肿瘤首位。白血病按起病的缓急可分为急性白血病和慢性白血病,其中急性髓细胞白血病(AML)是一种髓系血细胞的恶性肿瘤,是成人中最常见的一种急性白血病。急性髓细胞白血病的临床诊断包括血常规检查、骨髓常规检查、细胞免疫学分型、细胞遗传学检查等。这些方法存在需要有经验的临床病理专家进行操作、无法进行自动化分析、耗时且主观等一定的局限性。临床上AML一般通过血液或骨髓中的原始粒(或单核)细胞占比超过20%进行确诊。实现对AML的自动化早期诊断,对于疾病发展迅速、病程较短的急性白血病而言,预期可提高诊断的准确性及病人治愈率。质谱细胞术是近年发展起来的一种新型单细胞分析技术。该技术集成了质谱和细胞仪的原理,可在单细胞中同时测量几十种甚至上百种特征标记物,不仅能进行高速的分析,而且具有质谱分析的高精确度与高识别能力。质谱细胞仪较之传统荧光流式细胞仪测量的参数多且通道之间没有干扰,并且不需要进行补偿计算,已成为单细胞分析的一个新方向。本论文首先系统介绍了质谱细胞术的相关理论,包括其发展现状、原理、常用的数据分析方法及其应用,然后介绍了我们基于支持向量机(SVM)的质谱细胞仪高维数据分析方法。论文利用该方法对质谱细胞仪的健康人类骨髓样本高维数据进行了分析,实现了对多种细胞的分类识别,并用分类的结果对该方法进行了性能评估。最后,论文开展了基于SVM的质谱细胞仪高维数据分析应用于AML早期诊断的研究,初步验证了该方法用于AML自动化早期诊断的可行性。质谱细胞仪测量参数多、单细胞识别准确率高,预期可以获得更好的诊断准确率,应用前景广泛。本论文将质谱细胞术的单细胞识别准确率高的优势与SVM机器学习方法相结合,揭示了该方法在AML早期诊断方面的应用潜力。论文研究工作在疾病的早期诊断以及诊断过程自动化方面具有一定意义。
【关键词】：质谱细胞术 高维数据分析 SVM 急性髓细胞白血病(AML) 早期诊断
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R733.71
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 绪论12-20
• 1.1 研究背景及现状12-16
• 1.1.1 急性髓细胞白血病(AML)检测技术简介12-13
• 1.1.2 质谱细胞术在白血病方面的研究现状13-16
• 1.2 研究意义16-17
• 1.3 论文主要内容及框架17-20
• 第二章 质谱细胞仪工作原理及应用20-36
• 2.1 起源与发展20-21
• 2.2 技术原理21-27
• 2.2.1 硬件系统21-23
• 2.2.2 标签与试剂23-26
• 2.2.3 工作流程26-27
• 2.3 数据分析系统27-33
• 2.4 应用领域33-34
• 2.5 本章小结34-36
• 第三章 基于支持向量机(SVM)的质谱细胞仪数据分析方法36-46
• 3.1 数据来源36-38
• 3.2 数据分析38-42
• 3.2.1 读数据38-39
• 3.2.2 数据筛选和贴标签39-42
• 3.2.3 数据归一化42
• 3.3 利用SVM对数据进行机器学习的过程42-45
• 3.3.1 程序结构42
• 3.3.2 输出形式42-44
• 3.3.3 评估指标44-45
• 3.4 本章小结45-46
• 第四章 质谱细胞仪高维数据分析用于细胞分类的初步验证46-56
• 4.1 二分类46-50
• 4.1.1 数据准备46
• 4.1.2 参数优化46-48
• 4.1.3 结果及讨论48-50
• 4.2 多分类50-53
• 4.2.1 数据准备50-51
• 4.2.2 参数优化51
• 4.2.3 结果及讨论51-53
• 4.3 本章小结53-56
• 第五章 质谱细胞仪高维数据分析用于AML早期诊断56-68
• 5.1 AML样本数据集的准备及讨论56-59
• 5.1.1 AML样本的数据筛选和贴标签56-58
• 5.1.2 制备AML样本数据集58-59
• 5.2 将细胞多分类过程推广到AML早期诊断59-66
• 5.2.1 实验结果59-64
• 5.2.2 讨论64-66
• 5.3 本章小结66-68
• 第六章 总结与展望68-72
• 6.1 总结68-69
• 6.2 展望69-72
• 参考文献72-78
• 致谢78-79
• 附件79

【相似文献】

中国期刊全文数据库 前2条

1 张秀秀;王慧;田双双;乔楠;闫丽娜;王彤;;高维数据回归分析中基于LASSO的自变量选择[J];中国卫生统计;2013年06期

2 ;[J];;年期

中国重要会议论文全文数据库 前6条

1 周煜人;彭辉;桂卫华;;基于映射的高维数据聚类方法[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

2 梁俊杰;杨泽新;冯玉才;;大规模高维数据库索引结构[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

3 陈冠华;马秀莉;杨冬青;唐世渭;帅猛;;面向高维数据的低冗余Top-k异常点发现方法[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

4 刘运涛;鲍玉斌;吴丹;冷芳玲;孙焕良;于戈;;CBFrag-Cubing:一种基于压缩位图的高维数据立方创建算法(英文)[A];第二十二届中国数据库学术会议论文集（研究报告篇）[C];2005年

5 刘文慧;;PCA与PLS用于高维数据分类的比较性研究[A];2011年中国卫生统计学年会会议论文集[C];2011年

6 刘喜兰;冯德益;王公恕;朱成喜;冯雯;;脸谱分析在中进期地震跟踪预报中的应用[A];中国地震学会第四次学术大会论文摘要集[C];1992年

中国重要报纸全文数据库 前1条

1 本报记者 李双艺;引领高维数据分析先河[N];吉林日报;2013年

中国博士学位论文全文数据库 前10条

1 刘胜蓝;余弦度量下的高维数据降维及分类方法研究[D];大连理工大学;2015年

2 黄晓辉;高维数据的若干聚类问题及算法研究[D];哈尔滨工业大学;2015年

3 杨风召;高维数据挖掘中若干关键问题的研究[D];复旦大学;2003年

4 陈黎飞;高维数据的聚类方法研究与应用[D];厦门大学;2008年

5 吴庆耀;高维数据的若干分类问题及算法研究[D];哈尔滨工业大学;2013年

6 楼巍;面向大数据的高维数据挖掘技术研究[D];上海大学;2013年

7 黄健美;高维数据索引及其查询处理技术研究[D];东北大学;2009年

8 任亚洲;高维数据上的聚类方法研究[D];华南理工大学;2014年

9 董道国;高维数据索引结构研究[D];复旦大学;2005年

10 于怡;高维数据变量选择的几点研究[D];复旦大学;2013年

中国硕士学位论文全文数据库 前10条

1 侯小丽;高维数据聚类中的神经网络降维方法研究[D];兰州大学;2015年

2 孙喜利;高维数据的降维及聚类方法研究[D];兰州大学;2016年

3 吴佳妮;基于SVM的质谱细胞仪高维数据分析在AML早期诊断方面的应用研究[D];山东大学;2016年

4 段文静;高维数据下基于密度聚类方法的研究与应用[D];兰州大学;2016年

5 黄青君;基于稀疏子空间的高维数据聚类关键技术研究与应用[D];电子科技大学;2016年

6 康永为;大数据环境下高维数据处理若干问题[D];广西师范大学;2013年

7 张晓;基于超网络的高维数据聚类方法研究[D];山东师范大学;2015年

8 陈路莹;高维数据的聚类分析方法研究及其应用[D];厦门大学;2009年

9 王立强;基于多元统计图的高维数据降维方法及应用研究[D];燕山大学;2006年

10 胡飞;面向高维数据的统计分类分析[D];安庆师范学院;2015年

，

本文编号：638627