| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 癌症诊断的研究现状与相关工作 | 第7页 |
| 1.2 基因表达数据与癌症类别概述 | 第7-10页 |
| 1.2.1 基因表达数据的获取方式 | 第8页 |
| 1.2.2 癌症类别及亚型定义 | 第8-10页 |
| 1.3 基于基因表达数据的癌症分类预测 | 第10-11页 |
| 1.4 本文工作 | 第11-12页 |
| 2 机器学习方法在癌症分类预测中的应用 | 第12-19页 |
| 2.1 基因表达数据的降维方法 | 第12-14页 |
| 2.1.1 特征选择方法 | 第12-13页 |
| 2.1.2 特征提取方法 | 第13-14页 |
| 2.2 癌症分类方法研究 | 第14-17页 |
| 2.2.1 监督学习分类方法概述 | 第14-16页 |
| 2.2.2 半监督学习分类方法概述 | 第16-17页 |
| 2.3 小结 | 第17-19页 |
| 3 融合自训练和低秩表示的半监督癌症分类方法 | 第19-35页 |
| 3.1 矩阵的低秩表示 | 第19-21页 |
| 3.2 聚类方法介绍 | 第21-24页 |
| 3.2.1 层次聚类 | 第21-22页 |
| 3.2.2 K均值 | 第22-23页 |
| 3.2.3 谱聚类 | 第23-24页 |
| 3.3 基于双视角的半监督自训练分类框架 | 第24-27页 |
| 3.3.1 传统自训练方法的缺陷 | 第24页 |
| 3.3.2 改进的自训练方法 | 第24-27页 |
| 3.4 实验流程设计 | 第27-30页 |
| 3.4.1 基准数据集与预处理 | 第27-28页 |
| 3.4.2 评估指标与验证方案 | 第28-29页 |
| 3.4.3 参数设置 | 第29-30页 |
| 3.5 实验结果与分析 | 第30-34页 |
| 3.5.1 低秩表示与自训练提升了癌症分类器的性能 | 第30-31页 |
| 3.5.2 与其它癌症分类方法的对比 | 第31-34页 |
| 3.6 小结 | 第34-35页 |
| 4 基于低秩表示的癌症关键基因可视化分析 | 第35-43页 |
| 4.1 可视化分析流程 | 第35-37页 |
| 4.2 低秩矩阵在癌症分类中的子空间划分 | 第37-38页 |
| 4.3 基于稀疏矩阵的基因选择规则 | 第38-39页 |
| 4.4 实验结果与分析 | 第39-42页 |
| 4.4.1 在R-GCM数据集上的结果分析 | 第39-40页 |
| 4.4.2 在MBD数据集上的结果分析 | 第40-42页 |
| 4.5 小结 | 第42-43页 |
| 5 基于基因表达数据的癌症分类预测平台设计 | 第43-52页 |
| 5.1 系统设计 | 第43-45页 |
| 5.1.1 技术选型 | 第43页 |
| 5.1.2 业务流程 | 第43-45页 |
| 5.2 界面设计与使用说明 | 第45-51页 |
| 5.3 小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-62页 |
| 附录 | 第62页 |