从肿瘤基因表达数据挖掘分类规则的研究

基于肿瘤基因表达数据,利用信息科学的方法和技术建立肿瘤预测分类模型,对肿瘤基因表达模式研究和肿瘤的诊断识别具有重要意义.本研究提出一种从肿瘤基因表达数据中直接挖掘分类规则建立肿瘤预测分类器的方法.该方法首先抽取实验样本集,分别找出标记肿瘤和正常组织样本的分类特征,由此生成可预测样本类别的分类规则,对每个未知类别样本,按照置信度最高原则,选择一个分类规则作为预测结构.本研究的实验数据来自Broad Institute的前列腺癌基因表达数据,实验结果显示该方法的预测精度在90%以上,且同时获得了大量结构透明的分类预测规则,表明本研究的方法是可行的和有效的.     

采用DSOM神经网络进行肿瘤基因表达谱数据的聚类分析

目的用自组织神经网络模型寻找给定的基因表达数据集中的子类别数量.方法采用一种SOM神经网络的改进模型,即DSOM(double self-organizing map)神经网络对基因表达谱数据进行聚类分析,完成肿瘤组织的分型或亚型预测.DSOM算法在网络训练过程中自适应地调整网络结构,使得对同一类输入数据产生相似响应的神经元在空间上也互相靠近,从而获得可视化效果,以精确判定恰当的数据聚类数.结果针对一个实际的高维基因表达谱数据集进行了聚类分析,并与k均值法进行了比较,结果表明该方法的正确识别率超过了80%,聚类效果明显优于k均值法.结论与k均值法进行了比较实验,DSOM不仅具有可视化的优点,而且识别率也比k均值法要高.     

基于卷积神经网络的眼科光学相干断层成像图像的自动分类

目的 提出一种基于卷积神经网络(convolutional neural network,CNN)的眼科光学相干断层成像(optical coherence tomography,OCT)图像自动分类方法,实现对视网膜OCT图像的自动分类,缓解人工诊断依赖医生的临床经验、费时费力等问题.方法 基于公开的数据集2014_BOE_Srinivasan构建了2个样本数据集.其中样本数据集一为仅对数据集中的图像进行预处理后裁剪,样本数据集二为对取出测试集后剩余图像的裁剪过程中引入随机平移和水平翻转技术对图像进行扩充,并划分为训练集和验证集.搭建基于CNN的视网膜OCT图像分类网络,并分别使用两个数据集训练网络得到分类模型.最后使用独立的测试集对模型进行测试,并通过输出混淆矩阵查看模型对3种类别图像的分类情况.结果 通过混淆矩阵计算得出,使用扩充后的图像训练的分类模型的准确度为93.43％,灵敏度为91.38％,特异度为95.88％.结论 提出的基于CNN的视网膜OCT图像自动分类方法可以对老年性黄斑变性、糖尿病性黄斑水肿和正常3种类别的视网膜OCT图像进行分类.同时,数据扩充有助于提高分类算法的性能.     

人工智能在肿瘤基因表达数据中的应用研究进展

肿瘤是影响人类健康的严重疾病,早期诊断对提高治疗成功率和患者生存率至关重要。肿瘤基因表达数据的研究已经成为揭示肿瘤疾病机制的主要工具,人工智能在肿瘤基因表达数据分析中扮演着重要角色。本文从机器学习方法的角度,探讨监督式学习、无监督式学习和深度学习在肿瘤预测和分类中的潜在优势,特别关注特征选择算法对基因筛选的影响及其在高维度基因表达数据中的重要性。通过全面综述人工智能在肿瘤基因表达数据分析中的应用与发展,旨在为未来的研究方向提供参考,促进进一步发展。     

相关向量机在肿瘤表达谱分类问题中的应用

基因芯片技术能够检测大量基因的表达水平,在肿瘤研究中得到日益广泛的应用。基于基因芯片表达谱的肿瘤分类诊断是肿瘤表达谱研究的一个热点,肿瘤表达谱分类是一个典型的高维度小样本分类问题,描述一个两步策略的分类方法。在测试的基因表达谱中存在大量的非差异表达冗余基因,通过一个有效的基因预选择策略得到一个较小的候选基因子集,然后建立基于相关向量机的分类预测模型。在4个真实的肿瘤表达谱数据上,与几种不同的方法进行比较,结果显示该方法可以得到更好的分类精度,同时表现出很好的稳定性。     

肿瘤基因表达谱——肿瘤免疫学研究的新策略

基因表达谱代表了细胞中基因表达的状况。通过比较肿瘤细胞和相应正常组织细胞的基因表达谱所获得的信息 ,就可获得在肿瘤和正常细胞中差异表达的基因 ,进一步研究这些基因的结构和功能 ,对研究肿瘤的发生发展和肿瘤的临床诊断和治疗都具有重要的意义。本文着重介绍了目前常用的研究肿瘤基因表达谱的各种方法 ,包括 m RNA水平和蛋白质水平肿瘤基因表达谱的研究方法 ,国内外的最新研究进展及应用前景     

基于机器学习方法的肝癌X射线相衬CT图像分类研究

肝癌是我国恶性肿瘤发病率和死亡率较高的癌症之一,传统医学影像设备因成像机制导致成像分辨率不足,对肝癌的检查和诊断具有较大的影响。基于同步辐射的X射线相衬显微CT成像具有极高的灵敏度和分辨率,结合机器学习方法建立肝癌分类模型,为肝癌辅助诊断提供参考。收集弥漫型和溃疡型肝肿瘤X射线相衬图像各500幅,归一化和中值滤波后提取灰度直方图、灰度共生矩阵、灰度-梯度共生矩阵和灰度差分统计等灰度及纹理特征,并组合成融合特征,采用十折交叉验证法进行机器学习方法的训练和分类。使用支持向量机、随机森林和神经网络等3种分类算法对肝癌图像进行分类,灰度共生矩阵特征和神经网络分类算法下分类准确率最高,达到99.5%,取得较好的分类效果,有望帮助医生准确完成肝肿瘤类型的鉴别。     

基于压缩感知预测凋亡蛋白亚细胞位点

目的蛋白质的亚细胞位点信息有助于了解蛋白质的功能,同时还可以为新药物的研发提供帮助。方法在本研究中,采用压缩感知算法对凋亡蛋白的亚细胞位点进行分类。结果经过在2个常用的数据集上使用Jackknife测试,在ZD98数据集上取得了90.6%的预测准确率,在ZW225数据集上取得了87.3%的准确率。结论实验结果表明压缩感知算法对已凋亡蛋白的亚细胞定位研究效果良好,且避免了特征提取的过程。     

构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态

研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需最具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.     

苏丹红Ⅰ对人淋巴细胞基因表达谱的影响

目的利用基因芯片技术,研究苏丹红Ⅰ对外周血淋巴细胞基因表达谱的作用,着重探索其对人类肿瘤形成的影响。方法用10-5mol/L苏丹红Ⅰ处理人外周血淋巴细胞8h,提取实验组和对照组细胞mRNA,经逆转录和标记后与人类全基因组芯片(约35000个点)杂交。芯片扫描后提取并处理数据,筛选出与肿瘤发生相关的基因,进行生物信息学分析。结果306个表达上调的基因中有11个与肿瘤形成相关的基因;表达下调的181个基因中有16个与肿瘤形成相关的基因。结论苏丹红Ⅰ可引起淋巴细胞基因表达谱的变化,其中对肿瘤相关基因表达有影响,提示苏丹红Ⅰ有诱发肿瘤的倾向。