基于多类支持向量机递归特征消除方法特征选择的原发性肝癌患者预后预测

被引：7

作者：

李琳 ^{[1
]}

杨日东 ^{[2
]}

王哲 ^{[1
]}

杨红梅 ^{[2
]}

华赟鹏 ^{[3
]}

周毅 ^{[2
]}

张学良 ^{[1
]}

机构：

[1] 新疆医科大学

[2] 中山大学中山医学院

[3] 中山大学第一附属医院

来源：

生物医学工程研究 | 2019年 / 38卷 / 01期

基金：

广州市科技计划项目; 国家重点研发计划;

关键词：

特征选择; 多类支持向量机递归特征消除方法; 列线图; 预后预测; 原发性肝癌;

D O I：

10.19529/j.cnki.1672-6278.2019.01.07

中图分类号：

TP181 [自动推理、机器学习]; R735.7 [肝肿瘤];

学科分类号：

081104 ; 0812 ; 0835 ; 100214 ; 1405 ;

摘要：

本研究通过特征选择的方法,分析肝癌患者术前临床信息,提高患者的预后模型的准确性。基于多类支持向量机递归特征消除(recursive feature elimination based on multiple support vector machine,MSVM-RFE)方法对进行过肝切除手术的原发性肝癌患者的临床变量进行重要特征排序,使用5折交叉验证的支持向量机确定最优特征子集,构造原发性肝癌患者术后的1年、3年无瘤生存和总体生存的列线图。通过与临床医生沟通,确认特征排序结果为合理的。患者3年无瘤生存风险和总生存风险的列线图的一致性指数分别为0.701和0.706。使用多类支持向量机递归特征消除方法后的预测模型准确率有所提高,列线图在临床实践中能够提供患者生存风险信息,简单清晰的反映患者的生存风险。

引用

页码：32 / 36

页数：5

共 14 条

[1] Mass classification in mammograms using selected geometry and texture features, and a new SVM-based feature selection method. LIU X,TANG J. Systems Journal IEEE . 2014
[2] A new feature selection method in fishery information processing. Gu J,He N. Proceedings of the International Conference on Natural Computation . 2014
[3] The incidence and epidemiology of hepatocellular carcinoma: a global and regional perspective. Venook Alan P,Papandreou Christos,Furuse Junji,de Guevara Laura Ladrón. The Oncologist . 2010
[4] Regression Modeling Strategies[J] . Esteban Walker. &nbspTechnometrics . 2003 (2)
[5] Learning With Kernels: Support Vector Machines, Regularization, Optimization, and Beyond[J] . Christopher K. I Williams. &nbspJournal of the American Statistical Association . 2003 (462)
[6] 基于支持向量机的特征选择算法研究[D]. 严康.大连理工大学 2010
[7] 基于SVM-RFE的特征选择方法研究[D]. 王君.大连理工大学 2015
[8] Drawing nomograms with R:applications to categorical outcome and survival data. Zhang Z,Kattan M W. Annals of Translational Medicine . 2017
[9] Proactive failure management in smart grids for improved resilience:a methodology for failure prediction and mitigation. Kaitovic I,Lukovic S,Malek M. Proceedings of the IEEE GLOBECOMWorkshops . 2015
[10] Multiple SVM-RFE for gene selection in cancer classification with expression data. KB Duan,JC Rajapakse,H Wang,F Azuaje. IEEE transactions on nanobioscience . 2005

← 1 2 →