基于机器学习的癌症检测研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 癌症诊断 | 第10-11页 |
| 1.2.2 蛋白质组学在癌症诊断中的应用 | 第11-12页 |
| 1.2.3 代谢组学在癌症诊断中的应用 | 第12页 |
| 1.3 本文主要研究工作 | 第12-13页 |
| 1.4 本文主要创新点 | 第13页 |
| 1.5 本文组织结构 | 第13-15页 |
| 第二章 质谱数据预处理与相关算法介绍 | 第15-25页 |
| 2.1 质谱数据获取及前期处理 | 第15-17页 |
| 2.1.1 质谱数据获取 | 第15-16页 |
| 2.1.2 质谱数据的前期处理 | 第16-17页 |
| 2.2 特征维数约简 | 第17-20页 |
| 2.2.1 特征降维 | 第17-18页 |
| 2.2.2 特征选择 | 第18-19页 |
| 2.2.3 k均值算法 | 第19-20页 |
| 2.3 相关分类算法介绍 | 第20-23页 |
| 2.3.1 BP神经网络 | 第20页 |
| 2.3.2 支持向量机 | 第20-22页 |
| 2.3.3 k近邻 | 第22-23页 |
| 2.3.4 随机森林 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于质谱数据的癌症检测算法设计 | 第25-33页 |
| 3.1 癌症检测算法整体框架 | 第25-26页 |
| 3.2 质谱数据特征初筛方法设计 | 第26页 |
| 3.3 极限学习机分类模型设计 | 第26-29页 |
| 3.3.1 ELM网络结构 | 第26-27页 |
| 3.3.2 ELM模型优化方法及步骤 | 第27-28页 |
| 3.3.3 ELM模型设计 | 第28-29页 |
| 3.4 质谱特征选择算法设计 | 第29-32页 |
| 3.4.1 粒子群算法原理 | 第29-30页 |
| 3.4.2 粒子群算法流程 | 第30页 |
| 3.4.3 质谱特征选择算法 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 基于ELM的癌症分类实验 | 第33-47页 |
| 4.1 数据集介绍 | 第33-34页 |
| 4.1.1 卵巢癌数据集 | 第33-34页 |
| 4.1.2 PPGL数据集 | 第34页 |
| 4.2 癌症质谱数据预处理 | 第34-36页 |
| 4.2.1 卵巢癌数据预处理 | 第34-36页 |
| 4.2.2 PPGL数据预处理 | 第36页 |
| 4.3 实验步骤 | 第36-37页 |
| 4.3.1 样本初筛 | 第36页 |
| 4.3.2 基于k均值的特征选择 | 第36页 |
| 4.3.3 基于ELM算法的癌症分类 | 第36-37页 |
| 4.4 实验结果分析 | 第37-46页 |
| 4.4.1 评价指标介绍 | 第37-38页 |
| 4.4.2 实验结果分析 | 第38-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于粒子群算法的特征选择及生物标记物确定 | 第47-59页 |
| 5.1 实验流程 | 第47-49页 |
| 5.1.1 基于粒子群算法的特征选择 | 第47-48页 |
| 5.1.2 生物标记点挑选 | 第48-49页 |
| 5.2 实验结果与分析 | 第49-57页 |
| 5.2.1 卵巢癌特征提取及分类结果分析 | 第49-50页 |
| 5.2.2 卵巢癌生物标记点挑选 | 第50-55页 |
| 5.2.3 PPGL实验结果分析 | 第55-57页 |
| 5.3 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
