项目名称: 肺癌血清数据的模式识别解析与诊断及其特征标记物的探寻

项目编号: No.21305043

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 数理科学和化学

项目作者: 李艳坤

作者单位: 华北电力大学(保定)

项目金额: 25万元

中文摘要: 人体血清含有的丰富信息能为癌瘤的诊断和治疗提供重要线索。但目前基于血清的临床癌瘤的早期筛查方法,存在灵敏度低、准确率低、特异性差的问题。项目拟针对这些问题,展开对肺癌血清的化学信息(计量)学方法的研究。对健康人和肺癌患者血清的拉曼光谱和多项成分指标数据进行解析,实现对(亚型)肺癌较准确地早期诊断。目前,此项相关工作有待展开系统的研究。项目拟采用非负矩阵分解等对非相关线性判别分析(ULDA)方法进行改进,寻找最佳分类子空间及特征变量,并结合改进的稳健多模型共识算法,提高识别的准确率和稳定性;研究适于血清数据的癌瘤特征信息提取方法(联合预处理方法、变量筛选新判据);并与主成分分析等方法的识别结果进行综合评价。以期建立稳健可靠、实用的基于模式识别技术的新型拉曼光谱(亚型)肺癌诊断方法和(亚型)肺癌血清多指标决策模型,探寻潜在的有临床价值或应用前景的(亚型)肺癌的特异性标记物及提供相应理论依据。

中文关键词: 肺癌;模式识别;拉曼光谱;多指标决策模型;特征标记物

英文摘要: Human serum contains abundant information, which can provide important clues to the diagnosis and treatment of cancer. But the early screening method of cancer based on serum has the problems of low sensitivity, low accuracy and poor specificity. To solve the above problems, the project will develop the research of chemoinformatics (chemometrics) methods on lung cancer serum. Raman spectra and multiple components data on serums of healthy people and lung cancer patients will be analyzed, and comparatively accurate early clinical diagnosis of lung cancer or lung cancer subtype are expected. At present, the related research work is expected to carry out systematically. In the project, ULDA algorithm will be improved by non-negative matrix factorization etc. for searching the best classification subspace and feature variables, and furthermore, improved robust consensus modeling algorithm will be combined to improve the accuracy and stability of model recognition; Feature information extraction methods (combined pretreatment methods and new variable selection criterions) for cancer serum data will be proposed; And the results of principal component analysis method etc. will be compared for comprehensive evaluations of pattern recognition methods. The reliable and practical new Raman spectra model and serum multiple

英文关键词: Lung cancer;Pattern recogition;Raman spectra;multiple attribute decision model;Tumor marker

成为VIP会员查看完整内容
0

相关内容

模式识别 Pattern Recognition
基于表格数据的深度学习方法
专知会员服务
37+阅读 · 2021年10月19日
专知会员服务
27+阅读 · 2021年10月6日
【经典书】半监督学习,524页pdf
专知会员服务
134+阅读 · 2021年8月20日
专知会员服务
44+阅读 · 2021年5月24日
【2021新书】Python流数据实用机器学习,127页pdf
专知会员服务
73+阅读 · 2021年5月23日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
21+阅读 · 2021年4月20日
【学科交叉】抗生素发现的深度学习方法
专知会员服务
23+阅读 · 2020年2月23日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
已删除
将门创投
13+阅读 · 2019年4月17日
【紫冬精选】国内近三年模式分类研究现状综述
中国科学院自动化研究所
12+阅读 · 2018年4月3日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
14+阅读 · 2021年8月5日
Arxiv
49+阅读 · 2021年5月9日
Arxiv
18+阅读 · 2021年3月16日
A Modern Introduction to Online Learning
Arxiv
20+阅读 · 2019年12月31日
小贴士
相关VIP内容
基于表格数据的深度学习方法
专知会员服务
37+阅读 · 2021年10月19日
专知会员服务
27+阅读 · 2021年10月6日
【经典书】半监督学习,524页pdf
专知会员服务
134+阅读 · 2021年8月20日
专知会员服务
44+阅读 · 2021年5月24日
【2021新书】Python流数据实用机器学习,127页pdf
专知会员服务
73+阅读 · 2021年5月23日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
21+阅读 · 2021年4月20日
【学科交叉】抗生素发现的深度学习方法
专知会员服务
23+阅读 · 2020年2月23日
相关资讯
相关基金
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员