| 中文摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 前列腺癌的危险因素 | 第9页 |
| 1.3 前列腺癌的诊断方法 | 第9-13页 |
| 1.4 前列腺癌诊断模型 | 第13页 |
| 1.5 本论文研究内容 | 第13-15页 |
| 第2章 基于Logistic回归的前列腺癌诊断模型 | 第15-22页 |
| 2.1 数据资料 | 第15-16页 |
| 2.1.1 数据来源 | 第15页 |
| 2.1.2 数据预处理 | 第15-16页 |
| 2.2 研究对象 | 第16-17页 |
| 2.2.1 纳入标准 | 第16页 |
| 2.2.2 排除标准 | 第16页 |
| 2.2.3 分组 | 第16-17页 |
| 2.3 模型构建 | 第17-18页 |
| 2.3.1 设计思路 | 第17页 |
| 2.3.2 预测变量和统计学方法 | 第17-18页 |
| 2.4 Logistic回归模型结果 | 第18-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第3章 基于BP神经网络的前列腺癌诊断模型 | 第22-35页 |
| 3.1 人工神经网络 | 第22-24页 |
| 3.1.1 人工神经网络的结构 | 第22-23页 |
| 3.1.2 人工神经网络的学习 | 第23-24页 |
| 3.2 BP神经网络 | 第24-31页 |
| 3.2.1 BP神经网络的结构 | 第24-25页 |
| 3.2.2 BP神经网络的原理 | 第25-29页 |
| 3.2.3 BP神经网络的学习过程 | 第29-30页 |
| 3.2.4 BP神经网络的特点 | 第30-31页 |
| 3.3 BP神经网络的预测模型 | 第31-34页 |
| 3.3.1 设计思路和步骤 | 第31-33页 |
| 3.3.2 BP神经网络模型结果 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于随机森林算法的前列腺癌诊断模型 | 第35-40页 |
| 4.1 随机森林算法 | 第35-36页 |
| 4.2 变量重要性评分 | 第36-37页 |
| 4.3 随机森林模型结果 | 第37-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 三种诊断模型比较及结论 | 第40-44页 |
| 5.1 三种模型结果的比较 | 第40页 |
| 5.2 结论 | 第40-41页 |
| 5.3 讨论 | 第41-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 全文总结 | 第44页 |
| 6.2 工作展望 | 第44-46页 |
| 参考文献 | 第46-52页 |
| 文献综述 | 第52-58页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间发表文章情况 | 第58-59页 |
| 致谢 | 第59页 |