基于贝叶斯方法的乳腺癌预后分析

doi:10.3778/j.issn.1002-8331.1811-0086

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (3): 146-151.DOI: 10.3778/j.issn.1002-8331.1811-0086

基于贝叶斯方法的乳腺癌预后分析

杜婧，滕婧，马卞，张奥鑫

华北电力大学控制与计算机工程学院，北京 102206

出版日期:2020-02-01 发布日期:2020-01-20

Breast Cancer Patients Prognostic Analysis Using Bayesian Method

DU Jing, TENG Jing, MA Bian, ZHANG Aoxin

School of Control and Computer Engineering, North China Electric University, Beijing 102206, China

Online:2020-02-01 Published:2020-01-20

摘要/Abstract

摘要： 基于贝叶斯方法研究分析乳腺癌患者的临床病理指标对其预后生存率的影响，并对比直接使用患者阳性淋巴结比率（Lymph Node Ratio，LNR）的局部切检值，以及使用LNR的总体估计值之间的效果差异。采用逻辑回归方法估计患者的总体LNR。之后为了反映各临床病理指标对患者预后的动态影响，基于贝叶斯方法构建动态Cox回归模型进行预后分析，仿真结果表明，使用LNR总体估计值的动态Cox回归模型对数据的拟合效果最好，且该模型相对其他模型而言，对总体生存率的预测准确度最高。

关键词: 乳腺癌, 贝叶斯方法, 预后分析

Abstract: This research investigates the influences of the prognostic factors for breast cancer patients based on Bayesian method. In particular, this paper compares the prognostic differences of employing the clinical tested value of Lymph Node Ratio（LNR） and that of the estimated LNR. The LNR is estimated by logistic regressiom, and then the estimated LNR is combined with other prognostic factors to analyze the patients’ overall survival outcome. In order to analyze the temporal dynamic effects of the prognostic factors for patients’ prognosis, a Bayesian dynamic Cox regression model is proposed. The simulation results show that the Bayesian dynamic Cox regression model with the estimated LNR has the best performance in predicting the overall survival rate, compared to the classic Cox model and the ones using the clinical tested LNR.

Key words: breast cancer, Bayesian method, prognosis analysis

杜婧，滕婧，马卞，张奥鑫. 基于贝叶斯方法的乳腺癌预后分析[J]. 计算机工程与应用, 2020, 56(3): 146-151.

DU Jing, TENG Jing, MA Bian, ZHANG Aoxin. Breast Cancer Patients Prognostic Analysis Using Bayesian Method[J]. Computer Engineering and Applications, 2020, 56(3): 146-151.

[1]	刘琳琳，叶强，何灵敏. 基于SENet多路网络的乳腺癌转移检测[J]. 计算机工程与应用, 2021, 57(16): 190-196.
[2]	李华，杨嘉能，刘凤，南方哲，钱育蓉. 基于深度学习的乳腺癌病理图像分类研究综述[J]. 计算机工程与应用, 2020, 56(13): 1-11.
[3]	何雪英，韩忠义，魏本征. 基于深度学习的乳腺癌病理图像自动分类[J]. 计算机工程与应用, 2018, 54(12): 121-125.
[4]	史华洁，薛颂东. 退化数据驱动的设备剩余寿命在线预测[J]. 计算机工程与应用, 2016, 52(23): 249-254.
[5]	刘鹏程1，2，杨琴1，2. 贝叶斯模型下面向地图表达的海岸线分段模型[J]. 计算机工程与应用, 2016, 52(22): 174-179.
[6]	王向鸿，钟莹，孙一心，李醒飞. 基于触诊成像的肿块识别系统研究与设计[J]. 计算机工程与应用, 2016, 52(10): 218-222.
[7]	刘亚峰，仲红，石润华，孙苏. 基于可信度的MANETs动态信任评估[J]. 计算机工程与应用, 2013, 49(17): 78-81.
[8]	阿力木江·艾沙1，2，吐尔根·依布拉音2，艾山·吾买尔2，马尔哈巴·艾力2. 基于机器学习的维吾尔文文本分类研究[J]. 计算机工程与应用, 2012, 48(5): 110-112.
[9]	任江洪，韩露. 基于高斯过程的DNA微阵列分类算法[J]. 计算机工程与应用, 2011, 47(33): 26-29.
[10]	牛丽平¹,郑延斌^1,2. 融合Gabor小波和贝叶斯的人脸识别算法[J]. 计算机工程与应用, 2009, 45(18): 185-187.
[11]	牛丽平,郑延斌,李新源,窦育强. 融合小波与2D PCA的贝叶斯人脸识别[J]. 计算机工程与应用, 2009, 45(13): 179-181.
[12]	赵玉霞王克如白中英李少昆谢瑞芝高世菊. 贝叶斯方法在玉米叶部病害图像识别中的应用[J]. 计算机工程与应用, 2007, 43(5期): 193-195.
[13]	陈景年^1,2,黄厚宽¹,田凤占¹,薛小平³. 一种基于特征选择的不完整数据分类方法[J]. 计算机工程与应用, 2007, 43(31): 23-24.
[14]	白永生,温亮. 基于随机加权的Bayes方法在可靠性参数估计中的应用[J]. 计算机工程与应用, 2007, 43(18): 229-230.
[15]	董立岩苑森淼刘光远李永丽. 基于贝叶斯方法的尿沉渣图像分割[J]. 计算机工程与应用, 2007, 43(10期): 15-18.

基于贝叶斯方法的乳腺癌预后分析

Breast Cancer Patients Prognostic Analysis Using Bayesian Method

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics