| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 引言 | 第8-12页 |
| 1.1 研究的背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文内容安排 | 第11-12页 |
| 2 癌症辅助诊断简介 | 第12-28页 |
| 2.1 概述 | 第12页 |
| 2.2 临床数据的特点 | 第12-13页 |
| 2.3 癌症辅助诊断的常用方法 | 第13-23页 |
| 2.3.1 数值分析方法 | 第13-16页 |
| 2.3.2 聚类分析方法 | 第16-20页 |
| 2.3.3 回归分析方法 | 第20-22页 |
| 2.3.4 关联规则分析方法 | 第22页 |
| 2.3.5 时间序列分析方法 | 第22-23页 |
| 2.3.6 分类分析方法 | 第23页 |
| 2.4 癌症辅助诊断的分类模型 | 第23-27页 |
| 2.4.1 人工神经网络模型 | 第23-25页 |
| 2.4.2 贝叶斯网络模型 | 第25-26页 |
| 2.4.3 决策树模型 | 第26-27页 |
| 2.4.4 支持向量机(SVM) 模型 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 SVM 分类模型在癌症突变辅助诊断中的研究及应用 | 第28-54页 |
| 3.1 概述 | 第28-29页 |
| 3.2 辅助诊断方案介绍 | 第29页 |
| 3.3 实验流程与相关算法介绍 | 第29-35页 |
| 3.3.1 实验流程介绍 | 第29-31页 |
| 3.3.2 特征提取算法介绍 | 第31-33页 |
| 3.3.3 SVM 分类算法介绍 | 第33-35页 |
| 3.4 实验数据及评价标准介绍 | 第35-39页 |
| 3.4.1 实验数据介绍 | 第35-36页 |
| 3.4.2 评价标准介绍 | 第36-39页 |
| 3.5 数据编码 | 第39页 |
| 3.6 显著性分析 | 第39-41页 |
| 3.7 特征提取实验结果与对比 | 第41-46页 |
| 3.7.1 LDA 特征提取算法实验结果 | 第41-42页 |
| 3.7.2 PCA 特征提取算法实验结果 | 第42-44页 |
| 3.7.3 FA 特征提取算法实验结果 | 第44-45页 |
| 3.7.4 实验结果对比 | 第45-46页 |
| 3.8 特征选择及分类实验结果与对比 | 第46-52页 |
| 3.8.1 未引入肺部突变且未进行特征提取的实验结果 | 第46-47页 |
| 3.8.2 引入肺部突变且未进行特征提取的实验结果 | 第47-48页 |
| 3.8.3 引入肺部突变且采用 LDA 特征提取算法实验结果 | 第48-49页 |
| 3.8.4 引入肺部突变且采用 PCA 特征提取算法实验结果 | 第49-50页 |
| 3.8.5 引入肺部突变且采用 FA 特征提取算法实验结果 | 第50-51页 |
| 3.8.6 实验结果对比与分析 | 第51-52页 |
| 3.9 本章小结 | 第52-54页 |
| 4 癌症突变辅助诊断系统的实现 | 第54-61页 |
| 4.1 系统需求分析 | 第54-56页 |
| 4.1.1 开发环境 | 第54-55页 |
| 4.1.2 需求分析 | 第55-56页 |
| 4.2 系统设计与实现 | 第56-60页 |
| 4.2.1 系统功能模块 | 第56-57页 |
| 4.2.2 系统程序结构 | 第57-58页 |
| 4.2.3 系统用户界面 | 第58-60页 |
| 4.3 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 论文研究工作的总结 | 第61页 |
| 5.2 下一步工作的展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录 | 第68页 |
