论文部分内容阅读
肺癌是癌症中最常见的恶性肿瘤之一。数十年来,肺癌的发病率和死亡率都呈现明显的上升趋势。对肺癌病理类型的早期诊断可以有效提高肺癌患者治疗的效果。目前,CT扫描是诊断肺部疾病的一个重要手段,由于模式识别、机器学习、数字图像处理等技术的不断发展,使得基于CT图像的肺部疾病计算机辅助诊断成为可能,在医生诊断肺癌类型前应用计算机诊断模型对肺癌的种类分型,对减少医生由于感知误差引起的误诊率,提高医生对病理类型的诊断准确率具有非常重要的意义。首先,本文研究了Logistic回归模型的原理和建立模型的自变量选择方法和评价方法,实现了基于Logistic回归分析的周围型非小细胞肺癌的CT影像特征选取,并优选出边缘、晕征、空洞、周围肺气肿4个特征做为腺癌、鳞癌分型模型的特征输入。其次,本文研究了医学研究中常用的统计学Fisher判别分析的基本理论和方法,以及使用Fisher判别分析中应该注意的问题,建立了基于Fisher判别分析的周围型非小细胞肺癌的分型模型,并使用此模型对120例腺癌、鳞癌进行了病理类型分型实验,该模型分型准确率达到72.5%。最后,本文研究了人工神经网络和支持向量机的原理及其支持向量机在医学领域中的应用,建立了基于人工神经网络和支持向量机的周围型非小细胞肺癌的分型诊断模型,并分别用模型对腺癌、鳞癌做了病理分型实验,该模型分型准确率分别达到70%和80%,支持向量机高于Fisher判别模型和人工神经网络模型的分型准确率,表明在有限样本的情况下,支持向量机的分型效果最好,为辅助医生诊断肺癌类型,给出一个应用机器学习的参考,对提高医生对病理类型的诊断准确率具有非常重要的意义。