LightGBM混合模型在乳腺癌诊断中的应用 被引量：1

1

作者 邢长征 徐佳玉 《计算机工程与应用》 CSCD 北大核心 2024年第6期330-338,共9页

乳腺癌是最常见的癌症种类之一,且患病率每年仍在上升。在不进行手术活检的情况下,通过分析细胞核的各项指标来预测肿块的良性与否,可以有效地为医生提供辅助诊疗并减少患者的痛苦。为此,提出了一种基于LightGBM算法的乳腺癌诊断模型。... 乳腺癌是最常见的癌症种类之一,且患病率每年仍在上升。在不进行手术活检的情况下,通过分析细胞核的各项指标来预测肿块的良性与否,可以有效地为医生提供辅助诊疗并减少患者的痛苦。为此,提出了一种基于LightGBM算法的乳腺癌诊断模型。使用边界-合成少数类过采样算法(borderline-synthetic minority oversampling technique,Borderline-SMOTE)来改善乳腺癌确诊数据不平衡的问题。在麻雀搜索算法(sparrow search algorithm,SSA)中引入PWLCM混沌映射、全新的惯性权重和纵横交叉算法对其进行改进,再运用改进后的SSA算法对Light-GBM的参数进行自动寻优。由于LightGBM对噪点较为敏感,所以提出了一种OVR-Jacobian正则化方法对LightGBM进行降噪处理。使用改进后的LightGBM混合模型对乳腺癌进行诊断。实验结果表明,提出的混合模型在均方误差、决定系数和交叉验证得分这三个指标上均优于常见的模型,显示出其较好的诊断效果。 展开更多

关键词 乳腺癌预测 LightGBM 麻雀搜索算法 Borderline-SMOTE算法 机器学习 Jacobian正则化

下载PDF 职称材料

改进麻雀算法优化SVM的乳腺癌诊断

2

作者 朱梅 卢振坤 《计算机应用文摘》 2024年第8期108-110,113,共4页

为提高乳腺癌诊断的准确性,文章提出了一种多策略融合的改进麻雀搜索算法(MISSA),用于优化支持向量机(SVM)的参数并构建分类模型。首先,采用spm映射初始化麻雀种群,以增加种群的多样性。然后,在发现者位置更新中融合正余弦算法,同时在... 为提高乳腺癌诊断的准确性,文章提出了一种多策略融合的改进麻雀搜索算法(MISSA),用于优化支持向量机(SVM)的参数并构建分类模型。首先,采用spm映射初始化麻雀种群,以增加种群的多样性。然后,在发现者位置更新中融合正余弦算法,同时在跟随者位置更新中加入Lévy飞行策略,采用步长因子动态调整的方式提高寻优能力并降低局部最优的概率。最后,利用MISSA优化SVM模型的C和g参数。经优化后,该方法在乳腺癌诊断中达到了98.83%的精确率。 展开更多

关键词 群智能算法 乳腺癌预测 算法优化 麻雀搜索算法

下载PDF 职称材料

基于混合机器学习模型的乳腺癌预测 被引量：1

3

作者 付荣 丁海滨 《信息技术与信息化》 2023年第1期195-198,共4页

为提高乳腺癌预测准确率,提出了一种基于集成思想的机器学习混合模型。首先分别利用KNN、SVM、LightGBM、Gradient Boosting Decision Tree、Random Forest、AdaBoost、XGBoost算法模型分别对乳腺癌进行预测,判断乳腺癌肿瘤是否为恶性... 为提高乳腺癌预测准确率,提出了一种基于集成思想的机器学习混合模型。首先分别利用KNN、SVM、LightGBM、Gradient Boosting Decision Tree、Random Forest、AdaBoost、XGBoost算法模型分别对乳腺癌进行预测,判断乳腺癌肿瘤是否为恶性。根据AUC值选取其中3个分类效果较好的模型SVM、LightGBM、AdaBoost作为基模型进行集成构建混合模型,并以预测准确率、精确率、召回率、F1-score作为评价模型性能的指标。实验结果表明,基于集成思想的混合模型预测乳腺癌的效果优于其中任何一个基模型,预测准确率达到97.4%,有效提高了乳腺癌被正确识别的能力。 展开更多

关键词 乳腺癌预测 机器学习 集成 混合模型

下载PDF 职称材料

基于SVM-MLP的乳腺癌预测 被引量：3

4

作者 王德广 黄盈朵 《微型电脑应用》 2022年第1期130-133,138,共5页

乳腺癌一直是影响女性健康最重要的问题之一,已经成为全球女性发病率最高的恶性肿瘤。近年来,利用机器学习和深度学习方法来诊断癌症已经成为发展较快的一个分支。通过使用逻辑回归模型(LR)、高斯核函数支持向量机(SVM)、前馈神经网络(M... 乳腺癌一直是影响女性健康最重要的问题之一,已经成为全球女性发病率最高的恶性肿瘤。近年来,利用机器学习和深度学习方法来诊断癌症已经成为发展较快的一个分支。通过使用逻辑回归模型(LR)、高斯核函数支持向量机(SVM)、前馈神经网络(MLP)对同一数据集进行预测,得出其中SVM迭代时间最短,前馈神经网络预测准确率最高。为了减少前馈神经网络的迭代时间,提出了基于SVM优化的前馈神经网络分类乳腺癌模型,实验结果表明:基于SVM优化后的前馈神经网络模型与Logistic模型、传统SVM模型相比具有更高的分类准确率,且迭代时间相对减少。 展开更多

关键词 支持向量机 逻辑回归 深度学习 前馈神经网络 乳腺癌预测

下载PDF 职称材料

基于深度学习的乳腺癌预测 被引量：2

5

作者 袁梦绚 《计算机与数字工程》 2021年第11期2353-2357,共5页

随着人民生活水平的不断进步与对美好生活的向往,人们对于个人的健康越来越重视。乳腺癌是对女性健康威胁最大的恶性肿瘤之一,对乳腺癌进行快速、精准诊断并提供个性化治疗方案已成为目前社会的迫切需求。论文使用深度学习TensorFlow框... 随着人民生活水平的不断进步与对美好生活的向往,人们对于个人的健康越来越重视。乳腺癌是对女性健康威胁最大的恶性肿瘤之一,对乳腺癌进行快速、精准诊断并提供个性化治疗方案已成为目前社会的迫切需求。论文使用深度学习TensorFlow框架构建前馈神经网络,根据从乳房块细针抽吸(FNA)数字化图像数据描述的细胞核特征中,分析不同维度的病理特点,预测乳腺癌是良性还是恶性。为医疗行业提供一种高效乳腺癌预测手段,具有一定的实际意义。 展开更多

关键词 深度学习 TensorFlow 前馈神经网络 乳腺癌预测

下载PDF 职称材料

乳腺癌相关的lncRNA-mRNA共表达扰动网络构建

6

作者 黄彦祚 李海龙 +1 位作者 卢乐亭 陈园园 《北京生物医学工程》 2023年第3期240-247,共8页

目的基于复杂生物网络和机器学习方法,识别乳腺癌相关的边缘生物标志物,构建乳腺癌生存预后模型,从而在系统水平解释乳腺癌的发生发展机制。方法首先基于TCGA数据库的RNA-seq数据识别乳腺癌相关的lncRNA-mRNA共表达扰动关系对,进一步构... 目的基于复杂生物网络和机器学习方法,识别乳腺癌相关的边缘生物标志物,构建乳腺癌生存预后模型,从而在系统水平解释乳腺癌的发生发展机制。方法首先基于TCGA数据库的RNA-seq数据识别乳腺癌相关的lncRNA-mRNA共表达扰动关系对,进一步构建乳腺癌相关的lncRNA-mRNA共表达扰动网络并对网络中的关键基因进行通路富集分析。然后,基于乳腺癌相关的lncRNA-mRNA关系对,构建乳腺癌预测的分类器模型。最后,通过Lasso回归筛选变量构建多因素Cox比例风险回归模型对乳腺癌患者进行生存预后分析。结果构建了乳腺癌相关的lncRNA-mRNA共表达扰动网络,其中的关键基因富集分析得到32条与乳腺癌相关的生物通路。分类预测模型的灵敏度、特异度和准确性分别为98.2%、85.2%、97.6%。Lasso回归共筛选出22个和乳腺癌生存预后显著相关的lncRNA-mRNA互作关系对,进而构建的生存预测模型把训练集和测试集的乳腺癌患者分为高风险组和低风险组,两组患者生存预后均存在明显差异。结论LncRNA-mRNA共表达互作网络中的关键基因以及乳腺癌相关的边缘生物标志物大多被证明与乳腺癌相关。同时基于边缘生物标志物的预后模型可以稳健地预测乳腺癌患者的生存预后状态,有利于从网络层面更好地理解乳腺癌的发生发展机制。 展开更多

关键词 lncRNA-mRNA共表达扰动网络 边缘生物标志物 乳腺癌预测模型 COX比例风险回归模型

下载PDF 职称材料

基于WEKA平台的分类预测模型分析 被引量：3

7

作者 束建华 《蚌埠学院学报》 2013年第2期26-28,共3页

详细分析了C4.5算法和基于蚁群算法的分类算法,进一步给出基于WEKA平台的预处理数据、分类模型J48的使用步骤,并在WEKA平台中嵌入基于蚁群算法的新的分类方法,最后将这两种算法应用于乳腺癌诊断,分类准确率采用10次交叉验证评价。研究... 详细分析了C4.5算法和基于蚁群算法的分类算法,进一步给出基于WEKA平台的预处理数据、分类模型J48的使用步骤,并在WEKA平台中嵌入基于蚁群算法的新的分类方法,最后将这两种算法应用于乳腺癌诊断,分类准确率采用10次交叉验证评价。研究结果表明:这两种算法的准确率分别是75.7%和78.5±1.25%。基于蚁群算法的分类算法的分类准确率较高,更适用于乳腺癌的诊断。 展开更多

关键词 WEKA 分类 预处理 蚁群算法 乳腺癌预测模型

下载PDF 职称材料

基于多组学数据融合构建乳腺癌生存预测模型 被引量：6

8

作者 齐惠颖 江雨荷 《数据分析与知识发现》 CSSCI CSCD 北大核心 2019年第8期88-93,共6页

【目的】更好地预测乳腺癌生存期,探索融合多种组学数据利用机器学习方法构建乳腺癌生存预测模型。【方法】通过对TCGA数据库中乳腺癌的基因表达、拷贝数变异、DNA甲基化和蛋白质表达4种组学数据的融合,使用随机森林算法建立预测模型。... 【目的】更好地预测乳腺癌生存期,探索融合多种组学数据利用机器学习方法构建乳腺癌生存预测模型。【方法】通过对TCGA数据库中乳腺癌的基因表达、拷贝数变异、DNA甲基化和蛋白质表达4种组学数据的融合,使用随机森林算法建立预测模型。【结果】在测试数据集上该模型对乳腺癌分类预测的精确率为97.22%,召回率为98.13%。通过AUC值对比不同类型组合组学数据的预测性能,融合多组学数据的AUC值为0.8393,性能最好。【局限】由于样本数量的限制,模型普适性还有待进一步验证。【结论】融合多种组学数据构建乳腺癌预测模型是一种有效提高预测性能的方法。 展开更多

关键词 组学数据融合 随机森林 乳腺癌生存预测

原文传递

基于可变剪接紊乱的乳腺癌亚型预测分析 被引量：1

9

作者 许鹏 王兵 +2 位作者 方刚 石晓龙 刘文斌 《电子与信息学报》 EI CSCD 北大核心 2020年第6期1348-1354,共7页

可变剪接与多种复杂疾病的发生、发展存在密切的联系,包括肿瘤在内的多种疾病的产生往往伴随着可变剪接的紊乱发生。现有的乳腺癌亚型分析主要是基于单个剪接异构体出发,缺少考虑亚型之间由于可变剪接紊乱造成剪接异构体在整体分布上的... 可变剪接与多种复杂疾病的发生、发展存在密切的联系,包括肿瘤在内的多种疾病的产生往往伴随着可变剪接的紊乱发生。现有的乳腺癌亚型分析主要是基于单个剪接异构体出发,缺少考虑亚型之间由于可变剪接紊乱造成剪接异构体在整体分布上的差异。因此该文提出了基于可变剪接紊乱的乳腺癌亚型预测方法,主要使用Jensen-Shannon(JS)散度来找寻亚型之间的可变剪接紊乱差异较大的基因,并构建反向传播(BP)神经网络模型对乳腺癌亚型进行分类。结果表明,该方法不仅能有效发现肿瘤异质性分子,在乳腺癌亚型分类方面也有较好的识别结果,其平均F1值达到0.89,且能为患者提供个性化乳腺癌亚型药物推荐。该文的研究将有效促进基于可变剪接紊乱的乳腺癌亚型研究的发展。 展开更多

关键词 乳腺癌亚型预测 可变剪接 Jensen-Shannon散度 反向传播神经网络 药物推荐

下载PDF 职称材料

改进关联规则算法对乳腺癌扩散的预测研究

10

作者 艾云昊 杨超宇 李慧宗 《江汉大学学报（自然科学版）》 2020年第4期72-79,共8页

传统Apriori算法只能处理布尔型数据,无法对包含连续属性的乳腺癌患者就诊记录进行规则挖掘。对此,提出一种基于改进Apriori算法的乳腺癌扩散的预测方法。该方法通过引入模糊集理论,提出新的支持度计算方法,对Apriori算法进行优化。实... 传统Apriori算法只能处理布尔型数据,无法对包含连续属性的乳腺癌患者就诊记录进行规则挖掘。对此,提出一种基于改进Apriori算法的乳腺癌扩散的预测方法。该方法通过引入模糊集理论,提出新的支持度计算方法,对Apriori算法进行优化。实验结果表明,改进后的算法能够处理含有连续型数据的乳腺癌患者就诊记录,相比传统算法,能够挖掘出更多、质量更高的规则,得出了乳腺癌患者的致病因素和扩散之间的隐藏规则,从而验证了改进后的Apriori算法对于辅助乳腺癌患者治疗具有指导意义。 展开更多

关键词 数据挖掘 APRIORI算法 乳腺癌扩散预测 模糊集

下载PDF 职称材料

亚裔女性乳腺癌危险因素的Meta分析 被引量：37

11

作者 陶苹 胡耀月 +1 位作者 黄源 李佳圆 《中华流行病学杂志》 CAS CSCD 北大核心 2011年第2期164-169,共6页

目的 综合评价亚裔女性乳腺癌的危险因素及关联强度,为建立风险预测模型提供依据.方法 系统地收集1995-2010年亚裔女性乳腺癌危险因素的相关研究文献;按照NOS标准对纳入文献进行质量评价;采用RevMan 4.2软件进行数据分析,得到合并的OR... 目的 综合评价亚裔女性乳腺癌的危险因素及关联强度,为建立风险预测模型提供依据.方法 系统地收集1995-2010年亚裔女性乳腺癌危险因素的相关研究文献;按照NOS标准对纳入文献进行质量评价;采用RevMan 4.2软件进行数据分析,得到合并的OR值及其95%CI.结果 纳入合格研究文献27篇,共计研究对象403 170例.文献质量评价A级文献20篇、B级文献7篇,纳入文献质量较高;有统计学意义的乳腺癌危险因素依次为流产次数≥3次、有乳腺癌家族史、初产年龄≥30岁、吸烟、未生育史、未哺乳史、初潮年龄≤12岁和饮酒,OR值分别为3.00（95%CI： 1.68～5.36）、2.39（95%CI：1.78～3.21）、1.54（95%CI： 1.30～1.82）、1.50（95%CI：1.03～2.20）、1.48（95%CI：1.20～1.83）、1.29（95%CI：1.12～1.47）、1.26（95%CI：1.07～1.49）和1.16（95%CI：1.01～1.32）.结论 流产次数≥3次、有乳腺癌家族史、初产年龄≥30岁、吸烟、未生育史、未哺乳史、初潮年龄≤12岁和饮酒是建立亚裔女性乳腺癌风险预测模型首要考虑的危险因素. 展开更多

关键词 乳腺肿瘤 危险因素 META分析 乳腺癌风险预测模型

原文传递