第1章 绪论 | 第1-20页 |
·研究背景 | 第10-13页 |
·医学信息学 | 第10-11页 |
·循证医学 | 第11-12页 |
·生物信息学 | 第12-13页 |
·机器学习研究现状 | 第13-16页 |
·本文的研究内容 | 第16-18页 |
·本文主要贡献和章节安排 | 第18-20页 |
第2章 基于混合随机效应模型的META 分析 | 第20-48页 |
·META 分析 | 第20-21页 |
·效应量 | 第21-23页 |
·META 分析中的几种统计学模型 | 第23-27页 |
·固定效应模型 | 第23-24页 |
·随机效应模型 | 第24-26页 |
·分级贝叶斯模型 | 第26-27页 |
·混合随机效应模型 | 第27-29页 |
·混合随机效应模型的求解方法 | 第29-35页 |
·MCMC 和Gibbs 采样 | 第29-30页 |
·混合随机效应模型的参数估计 | 第30-33页 |
·模型选择问题 | 第33-34页 |
·置信区间的计算 | 第34-35页 |
·实验 | 第35-47页 |
·模拟实验结果 | 第35-41页 |
·尼古丁代替疗法的Meta 分析 | 第41-47页 |
·本章小结 | 第47-48页 |
第3章 MS 信息的学习 | 第48-82页 |
·背景与问题描述 | 第48-49页 |
·概率密度函数的建模 | 第49-51页 |
·EM 框架下的MSEM 算法 | 第51-57页 |
·似然函数 | 第51-52页 |
·EM 方法 | 第52-53页 |
·E 步骤(Expectation Step) | 第53-54页 |
·M 步骤(Maximization Step) | 第54-56页 |
·MSEM 算法 | 第56-57页 |
·基于MSEM 的其它计算问题 | 第57-61页 |
·模型选择 | 第57-58页 |
·个体观察值的处理 | 第58页 |
·条件均值和条件方差的计算 | 第58-59页 |
·未观察因子的均值和标准差预测 | 第59-61页 |
·模拟数据实验结果 | 第61-65页 |
·HPA 轴和细胞因子的MS 数据分析 | 第65-81页 |
·实验背景知识 | 第65-66页 |
·实验数据 | 第66-67页 |
·单个指标的实验分析 | 第67-71页 |
·GMM 模型中高斯成分的意义 | 第71-72页 |
·多个指标分析实验 | 第72-75页 |
·预测实验 | 第75-79页 |
·实验讨论 | 第79-81页 |
·本章小结 | 第81-82页 |
第4章 监督非线性降维 | 第82-112页 |
·降维与非线性降维 | 第82-85页 |
·传统降维方法 | 第83页 |
·非线性降维方法 | 第83-85页 |
·ISOMAP 算法及其在高维医学数据分析中的应用 | 第85-90页 |
·Isomap 的算法原理 | 第85-87页 |
·Isomap 在高维医学数据分析中的应用 | 第87-90页 |
·SISOMAP:监督非线性降维 | 第90-93页 |
·监督非线性降维 | 第90-92页 |
·SIsomap 的原理 | 第92-93页 |
·SISOMAP 的两种实现 | 第93-101页 |
·Fisher 判别分析和模糊Fisher 判别分析 | 第94-96页 |
·连续变量的监督非线性降维(SIsomap1) | 第96-99页 |
·类别变量的监督非线性降维(SIsomap2) | 第99-101页 |
·SISOMAP 的应用 | 第101-110页 |
·SIsomap 在监督数据降维中的应用 | 第101-106页 |
·基于SIsomap2 的分类器设计 | 第106-110页 |
·本章小结 | 第110-112页 |
第5章 PARM:一种RM 数据整体评价方法 | 第112-133页 |
·RM 数据及其整体评价问题 | 第112-114页 |
·PARM 的原理 | 第114-115页 |
·PARM 的实现 | 第115-120页 |
·预处理 | 第115-116页 |
·两种评价准则 | 第116-118页 |
·数据分布合理性检验和结果显著性检验 | 第118-120页 |
·PARM 方法在药理学RM 数据分析中的应用 | 第120-130页 |
·实验数据 | 第120-122页 |
·实验结果 | 第122-130页 |
·讨论 | 第130-131页 |
·本章小结 | 第131-133页 |
第6章 结语 | 第133-136页 |
参考文献 | 第136-146页 |
致谢 | 第146页 |
声明 | 第146-147页 |
附录A HPA 轴和细胞因子的MS 数据的文献索引 | 第147-152页 |
附录B 两个药理学RM 数据的指标信息 | 第152-155页 |
个人简历、在学期间发表的学术论文与研究成果 | 第155-156页 |