生物数据分析中的特征选择与肿瘤诊断预测

### 生物数据分析中的特征选择与肿瘤诊断预测 在生物数据分析领域，特征选择对于提高模型性能和识别质量至关重要。同时，利用患者的血液数据来识别肿瘤标志物和肿瘤诊断预测因子，也是医学研究中的一个重要方向。 #### 基于神经网络的生物数据特征选择 在生物数据分析中，基于匹配因子的特征选择方法在约60%的实验中提高了识别质量。这种方法的识别质量比基于全特征集的识别质量约高66%，对噪声数据具有较强的鲁棒性。 该方法属于启发式方法，能在保持几乎相同正确分类率的情况下实现有效的特征约简。不过，由于启发式方法基于无监督学习，很难确定特征空间维度的最优数量。使用进化计算方法也可能获得类似的特征选择结果。未来的工作将进一步研究距离度量对分类性能的影响。 #### 利用进化算法识别虚拟肿瘤标志物和肿瘤诊断预测因子 在医学研究中，研究人员分析了奥地利林茨总医院数千名患者的数据，旨在识别肿瘤标志物和肿瘤诊断的数学模型。 ##### 研究目标 - **识别虚拟肿瘤标志物**：肿瘤标志物是人体血液或组织中的物质，可作为某些癌症的指标。研究人员使用数据建模方法，基于常规血液值来估计特定肿瘤标志物的值，如AFP、CA - 125、CA15 - 3、CEA、CYFRA和PSA。这些估计模型被称为虚拟肿瘤标志物。肿瘤标志物的值分为“正常”“轻度升高”“高度升高”和“超出合理范围”四类，研究中简化为“正常”和“升高”两类进行分类。 - **识别肿瘤诊断预测因子**：目标是识别呼吸系统恶性肿瘤、黑色素瘤和乳腺癌的存在估计模型。肿瘤标志物可选择性使用，一方面其信息可提高诊断估计的准确性，另一方面获取成本较高。研究应用了两种建模方法： - 多种机器学习方法，如线性回归、k - 最近邻分类、神经网络和支持向量机。 - 进化算法用于参数优化和特征选择，同时也应用了遗传编程。 ##### 数据基础 研究使用了2005 - 2008年林茨总医院血液实验室的数据库，包含20,819名患者的48,580个样本。数据包括标准血液参数和肿瘤标志物值，但并非所有样本都包含所有值。 以下是部分血液参数和肿瘤标志物的信息： |参数名称|描述|单位|合理范围|可用值数量| | ---- | ---- | ---- | ---- | ---- | |ALT|丙氨酸转氨酶|U/l|[1; 225]|29,202| |AST|天冬氨酸转氨酶|U/l|[1; 175]|29,201| |BSG1|红细胞沉降率|mm|[0; 50]|10,201| |BUN|血尿素氮|mg/dl|[1; 150]|28,995| |CBAA|嗜碱性粒细胞|G/l|[0.0; 0.2]|21,184| |CEOA|嗜酸性粒细胞|G/l|[0.0; 0.4]|21,184| |CH37|胆碱酯酶|kU/l|[2; 23]|7,266| |CHOL|胆固醇|mg/dl|[40; 550]|14,981| |CLYA|淋巴细胞|G/l|[1; 4]|21,188| |CMOA|单核细胞|G/l|[0.2; 0.8]|21,184| |CNEA|中性粒细胞|G/l|[1.8; 7.7]|21,184| |CRP|C反应蛋白|mg/dl|[0; 20]|22,560| |FE|铁|ug/dl|[30; 210]|6,792| |FER|铁蛋白|ng/ml|[10; 550]|2,428| |GT37|γ - 谷氨酰转移酶|U/l|[1; 290]|29,173| |HB|血红蛋白|g/dl|[6; 18]|29,574| |HDL|高密度脂蛋白|mg/dl|[25; 120]|