基于机器学习的乳腺癌风险分析与预测研究

发布时间：2023-02-16 08:46

　　IT行业、计算机技术和人工智能技术在数十年里发展日新月异。目前几年物联网信息产业发展势头迅猛,所有的这些造成了信息量不断的增长。特别是在医疗行业领域,医疗数据爆炸增长,已经建立起来了庞大的医疗数据库,有潜在的实用价值。伴随着以深度学习为代表的大数据分析技术不断发展和成熟,出现了大数据分析技术与医疗健康领域开始深度结合。本论文基于大数据Spark平台,开展了有关乳腺癌领域的疾病预测研究,探寻大数据分析技术在乳腺癌疾病预测上应用。首先,论文使用简单的数据挖掘技术,例如倾向得分匹配,卡方验证,KM生存分析,Cox回归针对临床数据做出了有效地分析。对患者的年龄和手术与否分组,得出患者的生存曲线。发现年龄在存活月数上不是主要因素,影响不大。手术方式起主导作用,尤其是同时切除原发灶和转移灶的患者存活月数最长。其次,本论文通过大数据spark平台和随机森林算法建立了患者呈阴性或阳性的预测分析。实验表明:在乳腺癌致病细胞细胞核的相关参数中,Perimeter、Texture和Concave points影响因子对于乳腺癌的致病影响程度较大,更易导致阳性的发生。本文建立的模型预测精度可达99.76%,精...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 选题背景与意义
    1.2 国内外研究现状
        1.2.1 大数据挖掘
        1.2.2 机器学习
    1.3 论文研究内容
    1.4 论文的结构组织
第二章 相关背景知识介绍
    2.1 数据挖掘相关概念
        2.1.1 倾向得分匹配
        2.1.2 卡方验证
        2.1.3 生存分析
    2.2 分布式框架技术
        2.2.1 Spark技术优势
        2.2.2 RDD
        2.2.3 Spark的运行原理
        2.2.4 Spark运行过程
    2.3 分类算法
        2.3.1 集成学习
        2.3.2 Bagging和 Boosting算法
        2.3.3 决策树
        2.3.4 随机森林
    2.4 支持向量机
第三章 医疗数据挖掘
    3.1 数据获取及属性解析
        3.1.1 数据获取
        3.1.2 属性解析
    3.2 不同年龄乳腺癌人临床特征及预后
        3.2.1 社会学特征分析
        3.2.2 临床病理参数分析
        3.2.3 乳腺癌人预后
    3.3 手术与不手术乳腺癌人临床特征及预后
        3.3.1 社会学特征分析
        3.3.2 临床病理参数分析
        3.3.3 乳腺癌病人预后
第四章 基于机器学习的乳腺癌致病风险预测分析
    4.1 Apache Spark运行环境搭建
        4.1.1 实验环境的搭建
        4.1.2 Spark standalone集群模式部署
    4.2 数据对象预处理
    4.3 基于随机森林的乳腺癌风险预测模型
        4.3.1 特征向量的提取
        4.3.2 训练模型
        4.3.3 实验结果分析
    4.4 基于SVM的乳腺癌风险预测模型
        4.4.1 建模流程
        4.4.2 实验结果分析
    4.5 比较分析
第五章 乳腺癌致死风险模型预测比较分析
    5.1 实验数据
    5.2 基于SVM算法的乳腺癌致死风险预测
        5.2.1 建模数据样本
        5.2.2 建模流程
        5.2.3 模型结果
    5.3 基于随机森林算法的乳腺癌致死风险预测
        5.3.1 建模流程
        5.3.2 模型结果
    5.4 比较分析
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
附录2 Spark运行平台的搭建过程
致谢



本文编号：3743910