检索结果-南通市图书馆

用于癌症分类的随机子空间半监督维数约减(英文)

在线全文

学校读者我要写书评

暂无评论

华南理工大学学报（自然科学版） 2013年第7期41卷 137-144页

作者：文贵华蔡先发韦佳华南理工大学计算机科学与工程学院广东广州510006 广东药学院医药信息工程学院广东广州510006 深圳市高性能数据挖掘重点实验室广东深圳518055

精确的癌症分类对于癌症的成功诊断和治疗是必不可少的.半监督维数约减算法在干净的数据集上表现得很好,然而当面临噪声时,当前的大部分算法所构造的邻域结构是拓扑不稳定的.为了克服这一问题,文中提出了一种基于随机子空间的半监督维... 详细信息

精确的癌症分类对于癌症的成功诊断和治疗是必不可少的.半监督维数约减算法在干净的数据集上表现得很好,然而当面临噪声时,当前的大部分算法所构造的邻域结构是拓扑不稳定的.为了克服这一问题,文中提出了一种基于随机子空间的半监督维数约减算法(RSSSDR),将随机子空间与半监督维数约减算法结合起来.在数据集的不同随机子空间上,该算法首先设计多个不同的子图,然后将这些子图联合起来构成一个混合图并在其上进行维数约减.该算法通过最小化局部重构误差来确定邻域图的边权值,在保持癌症数据集局部结构的同时能够保持其全局结构.在公共癌症数据集上的实验结果表明,RSSSDR算法具有较高的分类准确率和较好的参数鲁棒性.

关键词：半监督学习随机子空间癌症分类维数约减

在线全文

学校读者我要写书评

暂无评论

微阵列数据癌症分类问题中的基因选择

计算机研究与发展 2009年第5期46卷 794-802页

作者：张丽娟李舟军国防科学技术大学计算机学院长沙410073 北京航空航天大学计算机科学与工程学院北京100083

微阵列数据广泛而成功地应用于生物医学的癌症分类研究.一个典型的微阵列数据集包含大量(通常成千上万,甚至数十万)的基因、相对少量(往往不足一百)的样本.在这成千上万的基因中,仅仅一少部分基因对癌症分类有贡献.因而,对于癌症分类来... 详细信息

微阵列数据广泛而成功地应用于生物医学的癌症分类研究.一个典型的微阵列数据集包含大量(通常成千上万,甚至数十万)的基因、相对少量(往往不足一百)的样本.在这成千上万的基因中,仅仅一少部分基因对癌症分类有贡献.因而,对于癌症分类来说,最重要的一个问题就是识别出对癌症分类最有贡献的基因.这一识别过程称为基因选择.基因选择在统计模式识别、机器学习和数据挖掘领域已得到广泛研究.介绍基因选择问题所涉及到的相关背景知识和基本概念;全面地回顾统计学、机器学习和数据挖掘领域对基因选择问题的解决方法;通过实验展示了几种典型算法在微阵列数据上的性能;指出当前存在的问题和未来的研究方向.

关键词：基因选择微阵列数据癌症分类属性相关性相关性度量

基于DNA微阵列数据的癌症分类问题研究进展

在线全文

学校读者我要写书评

暂无评论

计算机科学 2010年第10期37卷 16-22,32页

作者：于化龙顾国昌赵靖刘海波沈晶哈尔滨工程大学计算机科学与技术学院哈尔滨150001

应用DNA微阵列数据对癌症进行诊断与分型,已经逐渐成为生物信息学领域的研究热点之一。首先概述了基于微阵列数据的癌症分类问题的研究现状与发展趋势。然后简要介绍了微阵列实验的基本步骤,微阵列数据的结构、特点以及用于癌症分类的... 详细信息

应用DNA微阵列数据对癌症进行诊断与分型,已经逐渐成为生物信息学领域的研究热点之一。首先概述了基于微阵列数据的癌症分类问题的研究现状与发展趋势。然后简要介绍了微阵列实验的基本步骤,微阵列数据的结构、特点以及用于癌症分类的基本流程。接下来重点从数据预处理、特征基因选择、分类器设计以及分类性能评价等几方面对近10年来的研究成果进行了详细的综述与比较分析。最后,对该领域目前仍然存在的问题进行了归纳并对未来可能的研究方向作出了预测与展望。

关键词：微阵列数据癌症分类数据预处理特征基因选择分类器设计分类性能评价

基于深度学习和组织病理图像的癌症分类研究进展

在线全文

学校读者我要写书评

暂无评论

协和医学杂志 2021年第5期12卷 742-748页

作者：颜锐陈丽萌李锦涛任菲中国科学院计算技术研究所北京100190 中国科学院大学北京100049 中国医学科学院北京协和医学院北京协和医院肾内科北京100730

癌症的精确分类直接关系到患者治疗方案的选择和预后。病理诊断是癌症诊断的金标准,病理图像的数字化和深度学习的突破性进展使得计算机辅助癌症诊断和预后预测成为可能。本文通过简述病理图像分类常用的4种深度学习方法,总结基于深度... 详细信息

癌症的精确分类直接关系到患者治疗方案的选择和预后。病理诊断是癌症诊断的金标准,病理图像的数字化和深度学习的突破性进展使得计算机辅助癌症诊断和预后预测成为可能。本文通过简述病理图像分类常用的4种深度学习方法,总结基于深度学习和组织病理图像的癌症分类最新研究进展,指出该领域研究中普遍存在的问题与挑战,并对未来可能的发展方向进行展望。

关键词：病理图像深度学习癌症分类癌症分级计算机辅助诊断

在线全文

学校读者我要写书评

暂无评论

一种增强显现模式的癌症分类算法

计算机工程与应用 2010年第26期46卷 233-237页

作者：卢新国李丹王海军湖南大学计算机与通信学院长沙410082 河南科技大学理学院河南洛阳471003

基于基因表达谱的癌症检测对癌症的治疗具有十分重要的意义。显现模式(Emerging Patterns,EPs)能够挖掘隐含的具有生物意义的基因表达模式,基于显现模式的癌症分类方法可以检测出癌症样本。针对提取显现模式时在小样本情况下将频率近似... 详细信息

基于基因表达谱的癌症检测对癌症的治疗具有十分重要的意义。显现模式(Emerging Patterns,EPs)能够挖掘隐含的具有生物意义的基因表达模式,基于显现模式的癌症分类方法可以检测出癌症样本。针对提取显现模式时在小样本情况下将频率近似于概率的缺陷,引入贝叶斯估计以提高熵的可靠度,提取癌症表达中的增强显现模式(Improved Emerging Patterns,EPIs),并提出一种基于增强显现模式的基因分类算法(ACancer Classification Algorithm with Improved Emerging Patterns CCEPI)。最后在急性白血病数据集上进行实验,实验结果表明算法提高了癌症检测的正确率。

关键词：显现模式癌症分类基因表达谱

在线全文

学校读者我要写书评

暂无评论

基于增强显现模式的癌症分类算法

计算机工程 2010年第8期36卷 30-32页

作者：卢新国李丹王海军湖南大学计算机与通信学院长沙410082 河南科技大学理学院洛阳471003

针对提取显现模式时在小样本情况下频率近似于概率的缺陷,在衡量分类信息能力熵的计算中引入贝叶斯方法估计概率P(Ci,Sj),提高熵的可靠度,在此基础上提取癌症表达中的增强显现模式,提出2种基于增强显现模式的癌症分类算法。在急性白血... 详细信息

针对提取显现模式时在小样本情况下频率近似于概率的缺陷,在衡量分类信息能力熵的计算中引入贝叶斯方法估计概率P(Ci,Sj),提高熵的可靠度,在此基础上提取癌症表达中的增强显现模式,提出2种基于增强显现模式的癌症分类算法。在急性白血病数据集上进行实验,结果表明,该算法能提高癌症检测的正确率。

关键词：显现模式癌症分类基因表达模式

在线全文

学校读者我要写书评

暂无评论

相关性和相似度联合的癌症分类预测

计算机科学 2019年第7期46卷 300-307页

作者：张学扶曾攀金敏湖南大学信息科学与工程学院

基于经验型组织病理学的癌症诊断往往误诊率很高。从基因层次对癌症进行分析和研究是现阶段提高癌症分类预测精度的重要途径之一。生物学研究表明,同种癌症的关联基因有着共同的功能特点。基于此,文中提出相关性和相似度联合的癌症分类... 详细信息

基于经验型组织病理学的癌症诊断往往误诊率很高。从基因层次对癌症进行分析和研究是现阶段提高癌症分类预测精度的重要途径之一。生物学研究表明,同种癌症的关联基因有着共同的功能特点。基于此,文中提出相关性和相似度联合的癌症分类预测集成方法。首先,一方面,从统计学角度分析基因的差异化表达,利用互信息方法对基因表达谱数据进行相关性计算;另一方面,从生物机理上进行基因间的相似性分析,结合拓扑相似性和语义相似性分别对蛋白质互作网络和GO数据进行基因间的功能相似度计算。以上两者结合,即通过同时最大化目标集合的相关性和相似度筛选出特征基因集。然后,通过Bootstrap方法对数据集进行多样性采样,在前面所选特征基因集的基础上利用多种机器学习算法训练得到多个差异化较大的分类预测模型。最后,利用得到的多模型对测试样本进行分类预测,通过决策模型得到最终的分类结果。对GEO中4种不同癌症数据集进行分类预测研究,并将所提方法与最近的研究方法进行综合对比,结果所提方法在各数据集上的分类预测精度均提高5%左右,相比IG/SGA方法最高能达到10%的精度提升。实验结果表明,相关性和相似度联合的方法有效提高了癌症的分类预测精度,选择得到的特征基因有利于揭示生物学意义,且将多种算法优势互补,可解决单个分类算法适用范围受限的问题。

关键词：癌症分类相关性语义相似性拓扑相似性多样性采样多算法多模型

在线全文

学校读者我要写书评

暂无评论

基于特征交互与权重集成的癌症分类方法

计算机应用研究 2021年第4期38卷 1051-1057页

作者：陈昊楠金敏湖南大学信息科学与工程学院长沙410082

在癌症分类研究领域,高维、高冗余、类分布不平衡的基因表达数据如何进行特征选择与分类模型构建一直是影响分类准确率的难点。为了提高癌症分类的准确率,提出了基于特征交互与权重集成的癌症分类方法。在特征选择层面,利用多特征对分... 详细信息

在癌症分类研究领域,高维、高冗余、类分布不平衡的基因表达数据如何进行特征选择与分类模型构建一直是影响分类准确率的难点。为了提高癌症分类的准确率,提出了基于特征交互与权重集成的癌症分类方法。在特征选择层面,利用多特征对分类信息的增益性交互作用来选出对于标签联合互信息大于单独互信息之和的特征组合,并利用条件互信息选择低冗余的特征,解决基因表达数据的高维、高冗余问题。在分类模型层面,提出结合权重集成反馈机制的二次学习集成模型,综合不同模型对不同类别样本的差异拟合能力,构造不依赖于样本数量的类权重,解决数据类分布不平衡的问题。应用该方法对六种癌症数据进行分类测试,accuracy、sensitivity、precision和F-measure四项指标均稳定在99.39%以上、specificity在94.74%以上,表明该方法能有效提高癌症分类的准确率和稳定性,同时具有对于不同癌症分类的通用性。

关键词：癌症分类数据科学特征交互多元异构模型权重集成反馈二次学习集成模型

在线全文

学校读者我要写书评

暂无评论

基于深度学习算法的癌症分类模型研究

基于深度学习算法的癌症分类模型研究

作者：王毅华中科技大学

学位级别：硕士

随着高通量测序技术的快速发展,生物数据的数量和维度呈爆发式增长,给传统分析方法带来了严峻的挑战。近年来,深度学习的兴起为复杂、多维的生物数据分析提供了有力工具。得益于此,与癌症相关的研究也迎来了迅猛发展。作为其中的一个重... 详细信息

随着高通量测序技术的快速发展,生物数据的数量和维度呈爆发式增长,给传统分析方法带来了严峻的挑战。近年来,深度学习的兴起为复杂、多维的生物数据分析提供了有力工具。得益于此,与癌症相关的研究也迎来了迅猛发展。作为其中的一个重要研究方向,癌症分类对指导临床治疗意义重大。尽管越来越多的癌症分类研究开始尝试采用深度学习算法去处理大批量的测序或病理切片数据,但由于特征集种类单一和数据集内存在信息冗余等问题,没有将深度学习的应用潜力充分发挥出来,无法实现理想的分类性能。在经过对单独使用基因突变数据或者病理切片数据训练癌症分类模型的研究与对比之后,本文提出了一种基于多模态深度学习的癌症分类模型,综合使用了基因突变和病理切片两种不同模态的数据。与其它现有研究相比,本文通过四个方面的工作提升了癌症分类模型的性能,分别是:整合不同模态的数据并设计多因子神经网络来对其进行处理;引入更多与癌症类型相关的基因突变信息;使用特征选择算法过滤数据内的噪声;使用多种不同类型的分类算法训练模型并进行集成。具体来说,本文首先从TCGA和公共数据库中获取了分属于30种不同类型癌症的8,588个患者数据样本,每个样本提取了五种基因突变数据和病理切片数据。然后使用该数据集训练了多因子神经网络模型以及支持向量机、随机森林和逻辑回归这三种基于机器学习算法的分类模型。最后使用模型集成算法综合多个模型的输出,得到最终的预测结果。实验结果表明,本文提出的模型在性能上领先于现有的其它癌症分类模型,与当前表现最佳的CPEM研究相比准确率提高了约12.9%。总体而言,本文从两种模态数据整合、特征集的构建、特征选择和多模型集成四个方面提升了癌症分类模型的预测性能,为癌症分类研究提供了一种思路。

关键词：癌症分类深度学习机器学习生物医学