基于ELM的腫瘤基因表達(dá)數(shù)據(jù)分類(lèi)算法研究.pdf

1、近年來(lái)，隨著腫瘤患者的逐漸增多，預(yù)防和治療腫瘤是全世界關(guān)注的焦點(diǎn)問(wèn)題。據(jù)統(tǒng)計(jì)，全世界由于惡性腫瘤導(dǎo)致的疾病死亡人數(shù)已位居第一，大大超過(guò)了心臟病和腦血管病的死亡人數(shù)。目前的腫瘤診斷方法大多以形態(tài)學(xué)為基礎(chǔ)，同一類(lèi)型的腫瘤可能會(huì)出現(xiàn)臨床上的差異，對(duì)治療的敏感性存在很大的局限性。基因芯片技術(shù)的快速發(fā)展使得越來(lái)越多的腫瘤基因表達(dá)數(shù)據(jù)得以測(cè)定。從分子生物學(xué)角度出發(fā)，利用基因芯片技術(shù)有效地分析、處理和利用基因表達(dá)數(shù)據(jù)，進(jìn)而對(duì)癌癥病人進(jìn)行早期診斷和個(gè)性

2、化治療對(duì)提高病人的生存率具有重要的意義。然而，基因表達(dá)數(shù)據(jù)具有高維、分布不平衡、樣本數(shù)量少等特征，如何從高維數(shù)據(jù)中提取出少數(shù)關(guān)鍵的致病基因，即基因表達(dá)數(shù)據(jù)的分類(lèi)，引起國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。
　　本文聚焦腫瘤基因表達(dá)數(shù)據(jù)的分類(lèi)問(wèn)題研究，借助于神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)等理論方法和工具構(gòu)建分類(lèi)模型，設(shè)計(jì)和實(shí)現(xiàn)基因表達(dá)數(shù)據(jù)分類(lèi)算法。首先，針對(duì)單個(gè)ELM性能不穩(wěn)定問(wèn)題，采用了一種基于輸

3、出不一致測(cè)度的ELM相異性集成算法進(jìn)行分類(lèi)器集成。以輸出不一致測(cè)度為標(biāo)準(zhǔn)判斷不同ELM模型之間的相異性，根據(jù)ELM的平均分類(lèi)精度對(duì)ELM模型進(jìn)行篩選，并采用多數(shù)投票法對(duì)篩選后的分類(lèi)模型進(jìn)行集成。然后，分析了拒識(shí)代價(jià)和誤分類(lèi)代價(jià)對(duì)基因分類(lèi)性能的影響，進(jìn)而以減少?zèng)Q策風(fēng)險(xiǎn)、降低平均代價(jià)為目標(biāo)，設(shè)計(jì)了代價(jià)敏感的ELM算法。通過(guò)在算法中引入代價(jià)敏感因素，極大地改進(jìn)了ELM處理不同代價(jià)基因表達(dá)數(shù)據(jù)的有效性。
　　以多種腫瘤數(shù)據(jù)集為參考，本文對(duì)