换一批概率主成分分析联合支持向量机的前列腺SELDI-TOF质谱数据分析方法研究
A SELDI-TOF-MS Data Classification Method for Prostate Based on Probabilistic Principal Components Analysis and Support Vector Machine
摘要基于前列腺癌检测中获取的表面增强激光解吸/离子化飞行时间质谱(SELDI-TOF-MS)数据,提出一种概率主成分分析(PPCA)联合支持向量机(SVM)的分类方法.对临床322例血清样本的质谱数据进行特征提取,以随机选取训练样本集(225例)构造SVM判别模型,对剩余样本集(97例)进行测试.采用均方根误差、识别率与预测率指标,将所构造的PPCA-SVM模型分别与偏最小二乘(Partial least squares,PLS)和PCA-SVM模型进行比较,发现PLS模型的识别率和预测率分别为90.92％和76.38％,PCA-SVM模型分别为99.23％和84.63％,而PPCA-SVM模型分别为99.01％和90.41％.因此SELDI-TOF-MS技术结合PPCA-SVM在样品分类中具有准确、重复性好等优点,为前列腺癌早期诊断提供了一种新方法.
更多相关知识
关键词
前列腺癌概率主成分分析支持向量机SELDI-TOF-MSprostate cancerprobabilistic principal components analysissupport vector machinesSELDI-TOF-MS
栏目名称
DOI
10.3969/j.issn.1004-4957.2016.01.015
发布时间
2016-05-20（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
