本文主要研究内容
作者路文馨（2019）在《基于比例风险模型的生存分析研究》一文中研究指出：Cox比例风险模型能够分析生存时间对协变量的依赖关系,由于该模型可以分析包含删失样本的生存资料,在一定程度上缓解了样本不足的问题,且不要求估计资料的生存分布类型,因此是生存分析领域应用最广泛的模型之一。选择与存活表型相关的预后基因是生存分析研究的重要课题。为了解决基因表达谱的高维度和共线性问题,常用的方法是使用?1范数估计,因此Cox模型的改进算法Lasso-Cox模型是有效的解决方案。基于稀疏回归算法,Lasso-Cox模型的正则化参数必须通过交叉验证仔细调整以优化性能,这通常会消耗大量的计算资源。本文提出一种数据驱动的稀疏回归算法（Bayesian-Lasso）,采用贝叶斯方法从数据中自动学习正则化参数,并利用交替迭代的方法求解回归系数。模拟实验结果表明,与传统的Lasso方法相比,Bayesian-Lasso方法在预测性能方面具有很强的竞争力,模型更稳定,计算时间更短。真实基因数据实验表明,该算法选择的预后基因与表型密切相关,可以用于高维基因表达谱预后预测模型的建立。由于不同疾病之间可能存在内在联系,因此相关的生存预测模型很普遍,这涉及多任务生存分析问题。另外,在实践中获得足够的标记训练实例用于学习稳健的预测模型可能是非常困难的。针对上述问题,本文提出了一种基于Cox模型的多任务学习方法（MT-Cox）,其使用?2,1范数来鼓励多个预测变量共享相似的稀疏模式,考虑不同任务之间的相关性并增加用于训练每个任务的信息,从而提高预测性能。为了提高模型稳定性并加速计算,同样采用贝叶斯方法和交替迭代方法求解参数。实验部分在癌症基因组图谱（TCGA）数据集上证明本文所提出的多任务学习方法的性能,结果表明与其他相关的竞争方法相比,该方法可以显著提高模型的预测性能。
Abstract
Coxbi li feng xian mo xing neng gou fen xi sheng cun shi jian dui xie bian liang de yi lai guan ji ,you yu gai mo xing ke yi fen xi bao han shan shi yang ben de sheng cun zi liao ,zai yi ding cheng du shang huan jie le yang ben bu zu de wen ti ,ju bu yao qiu gu ji zi liao de sheng cun fen bu lei xing ,yin ci shi sheng cun fen xi ling yu ying yong zui an fan de mo xing zhi yi 。shua ze yu cun huo biao xing xiang guan de yu hou ji yin shi sheng cun fen xi yan jiu de chong yao ke ti 。wei le jie jue ji yin biao da pu de gao wei du he gong xian xing wen ti ,chang yong de fang fa shi shi yong ?1fan shu gu ji ,yin ci Coxmo xing de gai jin suan fa Lasso-Coxmo xing shi you xiao de jie jue fang an 。ji yu xi shu hui gui suan fa ,Lasso-Coxmo xing de zheng ze hua can shu bi xu tong guo jiao cha yan zheng zai xi diao zheng yi you hua xing neng ,zhe tong chang hui xiao hao da liang de ji suan zi yuan 。ben wen di chu yi chong shu ju qu dong de xi shu hui gui suan fa （Bayesian-Lasso）,cai yong bei xie si fang fa cong shu ju zhong zi dong xue xi zheng ze hua can shu ,bing li yong jiao ti die dai de fang fa qiu jie hui gui ji shu 。mo ni shi yan jie guo biao ming ,yu chuan tong de Lassofang fa xiang bi ,Bayesian-Lassofang fa zai yu ce xing neng fang mian ju you hen jiang de jing zheng li ,mo xing geng wen ding ,ji suan shi jian geng duan 。zhen shi ji yin shu ju shi yan biao ming ,gai suan fa shua ze de yu hou ji yin yu biao xing mi qie xiang guan ,ke yi yong yu gao wei ji yin biao da pu yu hou yu ce mo xing de jian li 。you yu bu tong ji bing zhi jian ke neng cun zai nei zai lian ji ,yin ci xiang guan de sheng cun yu ce mo xing hen pu bian ,zhe she ji duo ren wu sheng cun fen xi wen ti 。ling wai ,zai shi jian zhong huo de zu gou de biao ji xun lian shi li yong yu xue xi wen jian de yu ce mo xing ke neng shi fei chang kun nan de 。zhen dui shang shu wen ti ,ben wen di chu le yi chong ji yu Coxmo xing de duo ren wu xue xi fang fa （MT-Cox）,ji shi yong ?2,1fan shu lai gu li duo ge yu ce bian liang gong xiang xiang shi de xi shu mo shi ,kao lv bu tong ren wu zhi jian de xiang guan xing bing zeng jia yong yu xun lian mei ge ren wu de xin xi ,cong er di gao yu ce xing neng 。wei le di gao mo xing wen ding xing bing jia su ji suan ,tong yang cai yong bei xie si fang fa he jiao ti die dai fang fa qiu jie can shu 。shi yan bu fen zai ai zheng ji yin zu tu pu （TCGA）shu ju ji shang zheng ming ben wen suo di chu de duo ren wu xue xi fang fa de xing neng ,jie guo biao ming yu ji ta xiang guan de jing zheng fang fa xiang bi ,gai fang fa ke yi xian zhe di gao mo xing de yu ce xing neng 。
论文参考文献
论文详细介绍
论文作者分别是来自华南理工大学的路文馨，发表于刊物华南理工大学2019-10-23论文，是一篇关于生存分析论文,比例风险模型论文,贝叶斯正则化论文,多任务分析论文,华南理工大学2019-10-23论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自华南理工大学2019-10-23论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：生存分析论文; 比例风险模型论文; 贝叶斯正则化论文; 多任务分析论文; 华南理工大学2019-10-23论文;