基于支持向量机的乳腺癌预后状态预测和疗效评估

乳腺癌是危害妇女健康的主要恶性肿瘤.目前基因与疾病关系的研究取得了一系列的成果,使得利用乳腺癌患者的基因信息来预测预后状态和评估治疗效果成为了可能.支持向量机(support vector machine,SVM)分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于诸多研究领域.本文采用支持向量机SVM、K-近邻法(K-nearest neighbor,K-NN)、概率神经网络(probabilistic neural network,PNN)、决策树(decision tree,DT)分类器,结合乳腺癌患者基因数据来预测患者的预后状态和评估治疗效果.结果表明:当使用高斯径向基核函数时,SVM通过5次交叉验证的最佳平均分类准确率达到了88.44%,优于K-NN(81.69%)、PNN(80.68%)和DT(71.19%)等分类器,表明该方法有望成为一种有效、实用的乳腺癌预后状态预测和治疗效果客观评价的工具.     

基于人体血液常/微量元素含量的SVM癌症辅助诊断

支持向量机（Support vector machine,SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于许多研究领域。我们以癌症病人血液中6种元素（Ba,Ca,Cu,Mg,Se,Zn）的含量为研究对象,将SVM、最近邻法、决策树C4.5及人工神经网络等方法用于癌症病人和正常人的分类研究。研究表明：除C4.5的分类准确率保持不变之外,对数据的归一化处理能够提高SVM、KNN、ANN的分类效果。当使用线性核函数时,SVM通过5次交叉验证的最优平均分类准确率达到了95.95%,优于KNN（93.24%）、C4.5（79.93%）及ANN（94.59%）等分类器,表明该方法有望成为一种实用的癌症临床辅助诊断手段。