| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 英文缩略词表 | 第15-16页 |
| 1 引言 | 第16-18页 |
| 2 材料与方法 | 第18-27页 |
| 2.1 材料 | 第18-20页 |
| 2.1.1 血清样本收集保存 | 第18页 |
| 2.1.2 临床与影像资料 | 第18-19页 |
| 2.1.3 主要试剂与仪器 | 第19-20页 |
| 2.1.3.1 主要实验试剂 | 第19-20页 |
| 2.1.3.2 主要实验仪器 | 第20页 |
| 2.2 实验方法 | 第20-24页 |
| 2.2.1 CEA测定 | 第20-21页 |
| 2.2.2 NSE测定 | 第21-22页 |
| 2.2.3 胃泌素测定 | 第22页 |
| 2.2.4 血清钙的测定 | 第22-23页 |
| 2.2.5 唾液酸的测定 | 第23页 |
| 2.2.6 血清铜、锌的测定 | 第23页 |
| 2.2.7 DNMT1测定 | 第23页 |
| 2.2.8 DNMT3A测定 | 第23页 |
| 2.2.9 DNMT3B测定 | 第23-24页 |
| 2.2.10 HDAC1测定 | 第24页 |
| 2.3 质量控制 | 第24页 |
| 2.4 数据挖掘模型的建立 | 第24-25页 |
| 2.4.1 数据归一化处理 | 第24-25页 |
| 2.4.2 ANN模型 | 第25页 |
| 2.4.3 决策树C5.0 模型 | 第25页 |
| 2.4.4 支持向量机模型（SVM） | 第25页 |
| 2.4.5 模型评价 | 第25页 |
| 2.5 统计学方法 | 第25-27页 |
| 3 结果 | 第27-63页 |
| 3.1 人群流行病学资料及临床与影像资料 | 第27-28页 |
| 3.2 10项肿瘤标志物检测结果 | 第28-40页 |
| 3.2.1 血清肿瘤标志物标准曲线的绘制 | 第28-30页 |
| 3.2.2 肺癌组和肺良性疾病组10项血清肿瘤标志物的检测结果 | 第30-37页 |
| 3.2.2.1 肺癌组和肺良性疾病组血清10种肿瘤标志物的比较 | 第30-31页 |
| 3.2.2.2 年龄、性别、饮酒和吸烟与10项肿瘤标志水平的关系 | 第31-37页 |
| 3.2.3 三组Logistic回归分析结果 | 第37-40页 |
| 3.3 神经网络、决策树、支持向量机和Fisher判别分析的结果 | 第40-63页 |
| 3.3.1 ANN结果 | 第40-44页 |
| 3.3.2 决策树结果 | 第44-48页 |
| 3.3.3 SVM模型的预测结果 | 第48-52页 |
| 3.3.4 判别分析模型的预测结果 | 第52-55页 |
| 3.3.5 神经网络、决策树、SVM和Fisher判别分析预测结果的比较 | 第55-61页 |
| 3.3.6 模型的调整 | 第61-62页 |
| 3.3.7 模型的应用 | 第62-63页 |
| 4 讨论 | 第63-69页 |
| 4.1 肿瘤标志物在肺癌组以及肺良性疾病组的表达水平 | 第63-64页 |
| 4.2 数据挖掘模型的预测评价 | 第64-68页 |
| 4.3 研究的局限性 | 第68-69页 |
| 5 结论 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 基于数据挖掘技术的优化指标群对肺癌的辅助诊断研究 | 第73-81页 |
| 1 数据挖掘技术在肺癌早期辅助诊断中的应用研究 | 第73-76页 |
| 1.1 人工神经网络与肺癌相关研究 | 第74-75页 |
| 1.2 决策树技术与肺癌相关研究 | 第75-76页 |
| 1.3 支持向量机(SVM)与肺癌相关研究 | 第76页 |
| 2 结束语 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 个人简历在学期间发表的学术论文与研究成果 | 第81-82页 |
| 致谢 | 第82页 |
