| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 肿瘤进展预测建模的国内外研究现状 | 第12-19页 |
| 1.2.1 针对临床随访数据缺失填补的研究现状 | 第13-14页 |
| 1.2.2 基于纵向数据回归预测分析方法的研究现状 | 第14-17页 |
| 1.2.3 针对临床随访多维时间序列聚类分析的研究现状 | 第17-18页 |
| 1.2.4 基于神经网络的多维医学时间序列预测建模方法的研究现状 | 第18-19页 |
| 1.3 本文的主要内容 | 第19-21页 |
| 1.4 本文的组织结构 | 第21-24页 |
| 第2章 针对临床随访数据的缺失值填补方法研究 | 第24-36页 |
| 2.1 临床随访纵向数据的特点 | 第24-25页 |
| 2.2 数据缺失机制的分类及判定方法简述 | 第25-26页 |
| 2.3 针对临床医学随访数据的缺失填补方法选择及优化研究 | 第26-30页 |
| 2.3.1 临床医学随访数据的收集与分析 | 第26-28页 |
| 2.3.2 结合临床医学随访数据缺失机制的基本填补策略 | 第28-30页 |
| 2.4 基于 EM 算法的 MI 缺失值填补方法及优化 | 第30-34页 |
| 2.4.1 MI 填补法 | 第30-32页 |
| 2.4.2 验证及算法优化 | 第32-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 基于临床随访纵向数据的回归建模研究 | 第36-48页 |
| 3.1 纵向数据回归模型简介 | 第36-38页 |
| 3.2 基于个体症状变化特征序列的 LOGISTIC 回归建模分析 | 第38-43页 |
| 3.2.1 Logistic 回归模型 | 第38-40页 |
| 3.2.2 回归系数的假设检验 | 第40-41页 |
| 3.2.3 变量表达方法 | 第41-42页 |
| 3.2.4 回归模型建立 | 第42-43页 |
| 3.3 回归模型实验结论 | 第43-47页 |
| 3.3.1 回归模型正确率验证 | 第43-44页 |
| 3.3.2 回归模型有效性验证 | 第44-46页 |
| 3.3.3 回归模型应用于临床纵向数据的局限性分析 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于聚类分析的个体症状变化特征模式发现研究 | 第48-62页 |
| 4.1 针对多维时间序列数据的聚类分析方法 | 第48-50页 |
| 4.2 临床随访软指标多维时间序列的特征分析 | 第50-51页 |
| 4.3 基于临床软指标个体症状变化特征的多维时间序列聚类研究 | 第51-61页 |
| 4.3.1 相似性度量 | 第51-52页 |
| 4.3.2 基于层次方法的中医软指标聚类分析 | 第52-57页 |
| 4.3.3 基于划分方法的中医软指标聚类分析 | 第57-60页 |
| 4.3.4 两种聚类方法的结果对比分析 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 基于人工神经网络的肿瘤进展预测建模研究 | 第62-74页 |
| 5.1 典型神经网络简介 | 第62-65页 |
| 5.2 BP 神经网络训练方法的局限性及优化策略 | 第65-68页 |
| 5.2.1 BP 神经网络算法的局限性 | 第66页 |
| 5.2.2 网络结构及训练策略的优化 | 第66-68页 |
| 5.3 基于 BP 神经网络的肿瘤进展情况预测模型 | 第68-73页 |
| 5.3.1 实验数据选取原则及方法 | 第69页 |
| 5.3.2 神经网络预测模型的建立 | 第69-70页 |
| 5.3.3 神经网络预测模型结果分析 | 第70-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 结论与展望 | 第74-76页 |
| 本文的主要研究成果 | 第74-75页 |
| 未来工作的展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间所发表的学术成果 | 第80-82页 |
| 致谢 | 第82页 |
