首页 > 文献资料
-
一种生物相关性优先的两步卵巢癌化疗疗效敏感基因选取方法
作为卵巢癌主要诊疗手段之一的化疗,费用昂贵,副作用大,且患者反应的个体差异很大.本文提出一种首先依据诊断结果(卵巢癌化疗疗效)相关性进行特征选择,然后利用蒙特卡洛方法对特征基因排序,终建立预测化疗反应模型的方法,克服了过度依赖分类率的弊端.首先利用奇异值分解,基于散点图和Kolmogorov-Smimov test(K-S test)的定性和定量分析非生物因素对基因表达谱的影响,结合化疗反应样本的聚类图进行基因筛选；然后采用基于信息增益的随机森林方法精选基因,得到与化疗相关的敏感基因.实验结果表明,此方法与经典方法( SVMRFE、T-test)相比,所选取出的特征基因具有较好的分类能力且保持稳定；从生物学角度分析显示,此方法所得到的敏感基因与化疗疗效的联系更加紧密,50个基因中,有4个( NR2F2、CLDN3、PURA、ClORF38)直接与卵巢癌相关；17个(US01、TCF7L2、NR2F2等)与肿瘤或癌症直接相关,或与肿瘤密切相关的生物过程(例细胞生长与繁殖、新陈代谢、细胞循环、DNA修复等)相关.
关键词： 卵巢癌化疗疗效 有监督奇异值分解(SSVD) 特征选取 随机森林 决策树 -
从肿瘤基因表达数据挖掘分类规则的研究
基于肿瘤基因表达数据,利用信息科学的方法和技术建立肿瘤预测分类模型,对肿瘤基因表达模式研究和肿瘤的诊断识别具有重要意义.本研究提出一种从肿瘤基因表达数据中直接挖掘分类规则建立肿瘤预测分类器的方法.该方法首先抽取实验样本集,分别找出标记肿瘤和正常组织样本的分类特征,由此生成可预测样本类别的分类规则,对每个未知类别样本,按照置信度高原则,选择一个分类规则作为预测结构.本研究的实验数据来自Broad Institute的前列腺癌基因表达数据,实验结果显示该方法的预测精度在90%以上,且同时获得了大量结构透明的分类预测规则,表明本研究的方法是可行的和有效的.
-
基于BP网络灵敏度分析的肿瘤亚型分类特征基因选取
基于肿瘤基因表达谱,提出了单隐层BP网络灵敏度分析法以有效选取肿瘤亚型分类特征基因.首先以Bhattacharyya距离为尺度滤除分类无关基因;然后从"功能基因组合"的角度出发,依据输入特征对BP网络输出的灵敏度生成候选特征基因子集;后以BP网络作为样本分类器考察候选特征基因子集对肿瘤样本的亚型识别能力,得到具有佳分类能力的基因子集作为肿瘤亚型分类特征基因.以小圆蓝细胞瘤基因表达谱数据集为例进行实验,结果表明了该方法的可行性和有效性.
-
情绪相关脑电信号的特征选取与导联优化
目的 探究与情绪密切相关的脑电特征,并藉此优化少导联集合.方法 30名被试观看四类典型情绪图片(轻松、沮丧、愉悦、恐惧)并记录脑电信号.Fisher分数(F-score)算法筛选每导联脑电特征,使用支持向量机方法(SVM)分类四种情绪.结果 24名被试情绪诱发有效,四个特征组合(β频带、γ频带、信息熵、微分熵)的F-score均值作为情绪有效性评价指标,筛选出分类准确率高达81.15％的5个导联(FT7、T7、FC4、TP10、O1).结论 利用校正后的F-score算法首次筛选出脑电信号的特征组合,获得与情绪密切相关的优导联集合,极大地降低了运算时间,该结果对实现情绪的快速识别有重要价值.
-
基于影像信息的人工神经网络的脑胶质瘤分级
目的:探讨利用人工神经网络对脑胶质瘤进行分级的可行性和有效性.方法:回顾性纳入2012至2017年经病理证实的130例脑胶质瘤患者,基于磁共振增强T1加权相二维图像提取的共41个影像学特征.建立人工神经网络并进行特征选择以得到优化的神经网络模型,随机抽取一半病例的影像学特征数据对神经网络进行训练,并用另一半特征数据对训练完成后的神经网络进行胶质瘤分级效果验证.对神经网络重复进行100次训练和验证,将结果进行平均.结果:经过特征选择后的神经网络模型共选取5个特征作为输入特征,神经网络对脑胶质瘤分级的平均准确率为90.32％,平均敏感度为87.86％,平均特异度为92.49％,受试者操作曲线的曲线下面积为0.9486.结论:人工神经网络作为一种人工智能方法,对脑胶质瘤分级具有较高的准确性,为脑胶质瘤的无创性术前分级提供了可行的辅助手段.
