检索结果-南通市图书馆

中国生物医学工程学报 2022年第2期41卷 177-185页

作者：秦喜文王芮张斯琪长春工业大学大数据科学研究院长春130012 长春工业大学研究生院长春130012 长春工业大学数学与统计学院长春130012

乳腺癌基因数据的分类研究在临床医学上具有重要意义。针对基因数据的结构复杂、高维小样本等特点,提出一种最大相关最小条件冗余和深度级联森林结合的基因数据分类方法。选取博德基因研究所乳腺癌基因表达数据集,共98个数据作为样本,... 详细信息

乳腺癌基因数据的分类研究在临床医学上具有重要意义。针对基因数据的结构复杂、高维小样本等特点,提出一种最大相关最小条件冗余和深度级联森林结合的基因数据分类方法。选取博德基因研究所乳腺癌基因表达数据集,共98个数据作为样本,每个样本包含1 213个特征基因。首先对数据进行标准化处理,然后利用最大相关最小条件冗余选取特征子集,最后使用深度级联森林对特征子集进行分类。将随机森林、支持向量机和BP神经网络作为对比方法。结果表明,所提出的最大相关最小条件冗余和深度级联森林结合方法的最佳分类准确率达到93.78%,明显优于其他方法。该方法能有效提高乳腺癌基因数据的分类准确率,对基于基因数据的乳腺癌分类具有重要的理论意义与实用价值。

关键词：乳腺癌分类基因表达数据变量选择最大相关最小冗余深度级联森林

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度级联森林与原型网络的癌症分类预测研究

基于深度级联森林与原型网络的癌症分类预测研究

引用

作者：谢芯睿上海财经大学

学位级别：硕士

癌症,作为全球第二大死因,长期威胁着人类的身体健康,是医学研究领域的未解难题之一。一方面,整体而言,癌症的产生主要是由于细胞在分化和增殖的过程中出现异常,基因表达失去了控制,从而导致了癌症细胞的不断分裂生长;另一方面,癌症的... 详细信息

癌症,作为全球第二大死因,长期威胁着人类的身体健康,是医学研究领域的未解难题之一。一方面,整体而言,癌症的产生主要是由于细胞在分化和增殖的过程中出现异常,基因表达失去了控制,从而导致了癌症细胞的不断分裂生长;另一方面,癌症的种类众多,不同的癌症对应的致病基因与致病机理千差万别。准确定位特定的致癌基因并找到相应的致癌机理能够有效推进癌症患者的治疗。传统的癌症诊断主要基于病理学、影像诊断等方法,这很大程度依赖于医疗工作者的经验,但随着现代分子生物学以及高通量测序技术的不断发展,从基因层面更加深入且客观地分析癌症成为可能。对应产生的基因表达谱数据也在癌症分类预测研究中扮演着越来越重要的角色,极大推动了基因水平上的癌症分类预测研究进程。同时,人类的基因库规模庞大,基因测序过程也繁杂困难,这些因素使得基因表达谱数据具有了高维度、小样本的特点。因此,利用机器学习及深度学习的方法,在基因表达谱数据上进行癌症诊断研究成为当前热点之一。本文的研究主要基于癌症分类预测中运用最为广泛的基因表达谱数据,在传统机器学习与深度学习方法研究基础上,引入更为高效的深度级联森林(gc Forest)算法,以及适用于小样本分类预测的原型网络方法。首先,在进行数据预处理后,针对基因表达谱数据高维度的特点,本文先对基因数据进行了初步的特征选取,以达到降维的目的,进一步在此基础上进行患癌情况的分类预测。同时,注意到某些基因在蛋白质翻译表达过程中可能存在一定的联系,不能简单以线性关系述各基因表达值之间的关系。因此,在初步特征选取的过程中,本文引入了HSIC Lasso的方法,该方法是一种有监督的非线性选择方法,它可以选择出对分类标签具有强依赖性的非冗余特征。在进行初步特征选取后,一方面,本文对基因表达谱数据进行患癌情况的分类预测实验,主要运用到的方法为深度级联森林算法以及原型网络算法。同时,以传统的三种机器学习方法作为对比,包括支持向量机、KNN和随机森林。通过对比五种方法在所选取的评估指标上的表现来探究各个模型的优劣;另一方面,为了探究HSIC Lasso对于特征选取的有效性,本文将五种分类预测方法同样运用于未进行降维的数据上,通过对比两部分数据上的分类预测结果来对HSIC Lasso的特征选取效果进行评估。本文所使用的数据集来自美国国立生物技术信息中心NCBI创建并维护的基因表达综合数据库Gene Expression Omnibus(简称GEO数据库),本文对GEO数据库中的三种不同癌症的基因表达谱数据,具体包括结直肠癌、台湾非吸烟肺癌和急性骨髓性白血病(AML)进行了实验研究,本文在重要基因特征选取和分类预测模型两方面,对所引入的模型以及传统模型进行了对比。实验结果显示,在特征选取方面,HSIC Lasso能够对高维的基因特征进行有效的筛选并得到非冗余特征子集。相比于直接在未降维的数据集上进行分类预测,对特征进行初步选取能够升后续的预测准确率及召回率。在分类预测模型方面,相对于传统的SVM、KNN等分类模型,深度级联森林算法与原型网络算法在患癌情况的分类预测上有更高的准确率和更优的预测结果。其中,在进行初步特征选取后,同时由于基因表达谱数据小样本的特点,原型网络通过多次训练后能达到全部预测准确的效果。整体而言,HSIC Lasso能够在数据维度较高的情况下,过滤大量冗余信息,有效筛选出非冗余特征,为进一步分类预测研究供有效支撑。深度级联森林算法以树模型为基础,结合了深度神经网络与集成学习方法,能够更加精确地选取致癌基因特征;原型网络在对小样本的训练过程中,充分利用了每一个样本的信息,因此在非冗余特征子集的基础上进行分类预测时能够得到精准的预测效果。

关键词：基因表达谱 HSIC Lasso 深度级联森林原型网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度级联森林的生命科普医学3D图像数据分类方法

引用

佳木斯大学学报（自然科学版） 2024年第11期42卷 126-129页

作者：陈洪毅黎小丽刘洪喜朱晓毅王永红铜仁职业技术学院护理学院贵州铜仁554200 重庆大学附属医院重庆市人民医院重庆400000 河南豫弘实业有限公司河南郑州45000

为实现不同疾病3D图像的分类展示,强化对疾病的理解,提出基于深度级联森林的生命科普医学3D图像数据分类方法。构建基于深度级联森林的生命科普医学3D图像数据分类模型,将医学3D图像作为模型的输入,利用卷积神经网络提取其特征向量后,... 详细信息

为实现不同疾病3D图像的分类展示,强化对疾病的理解,提出基于深度级联森林的生命科普医学3D图像数据分类方法。构建基于深度级联森林的生命科普医学3D图像数据分类模型,将医学3D图像作为模型的输入,利用卷积神经网络提取其特征向量后,将其输入级联森林过程中,根据随机森林基于原理,设计旋转森林,将二者作为基分类器设计各级联层,对特征向量作表征学习,将基于拟牛顿法的逻辑回归分类器引入到其结构中,对各个基分类器输出做整合处理,输出生命科普医学3D图像数据分类结果。实验结果表明:研究方法可实现生命科普医学3D图像数据分类,训练样本较少时,也可取得突出分类效果;决策树数量达到500、深度为45时,F1-score,Kappa系数最大;训练误差仅为0.06。

关键词：深度级联森林医学3D图像卷积神经网络随机森林选择森林逻辑回归分类器

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：