[大作业] 基于神经网络的肿瘤病患者生存分析

gg1993118 · 发表于 2015-5-28 22:18

本帖最后由 gg1993118 于 2015-5-28 22:22 编辑

基于神经网络的肿瘤病患者生存分析

一、背景分析

本文主要采取神经网络的方法筛选变量，并预测肿瘤病患者在手术之后的生存结果，由于数据所限，只能将目标函数定位为10年内的生存结果（即死亡或存活）。在本文结尾处，考虑根据神经网络模型预测结果，用线性回归的方法，制定出选出变量的预后量表，可供实际预测使用，结果可用来预测新的患者在10年内的死亡概率。

使用的数据是肿瘤病医院所提供的真实数据，所以具体数据在文章中不便公开，但变量均值已上传为附件。数据为117位患者在十年内的生存情况，变量为患者在手术后的各项指标，包括35组基因数据和36组临床数据，但我拿到的数据并不是原始数据，而是经过二值化处理后的0-1数据（代表指标的高低程度），在神经网络中更易使用。

二、建模过程
1）具体思路
经过对数据的初步观察，发现变量总数超过70个，类型分为两大类，基因类和临床表现类，而基因又分为肿瘤型和正常型，将数据平均分成两组，训练集和测试集，由于数据中死亡人数仅占总人数的20%左右，因此划分时需要将死亡的样本平均分到训练集和测试集，否则建模结果将不可靠，具体步骤如下：
I. 先考虑减少变量，针对三种变量分别使用神经网络建模，根据变量的重要性程度在三组变量中分别筛选出一部分变量；
II. 再将筛选出的变量合成一组，并筛选出重要性更高的变量，建立第四个神经网络模型；
III. 对比四个模型的预测准确度，一般来说第四个模型的准确度会较高，但在此例中，肿瘤基因模型的准确度也很高，所以在第四个模型中筛选出的变量中，肿瘤基因变量的数量较多；
IV. 根据模型四的预测结果，将预测概率对数化后建立线性回归模型，得到各变量的系数，再根据系数来制定分数表，并检测分数表的预测结果；
V. 最后将第四个神经网络模型和分数表预测的结果用坐标点图表示出来。

2）建立神经网络模型
I. 模型一为19个肿瘤基因变量建立的神经网络模型，其删选变量结果如下：

Nvar Accuracy Kappa rmvName

1 19 0.9045887 0.6838632 tcf4caco

2 18 0.9065887 0.6887117 opncaco

3 17 0.9104257 0.6987427 erbetacaco

4 16 0.9142701 0.7116467 wnt1caco

5 15 0.9204644 0.7353432 mmp1caco

6 14 0.9257609 0.7610298 maspincaco

7 13 0.9289660 0.7630532 integrincaco

8 12 0.9307512 0.7725578 cyclinD1caco

9 11 0.9417659 0.8006236 Trop2caco

10 10 0.9398611 0.7998776 MMP7caco

11 9 0.9443445 0.8156918 survivincaco

12 8 0.9421527 0.8035546 CD44v7caco

13 7 0.9406142 0.7973117 pparcaco

14 6 0.9461211 0.8206659 catenincaco

15 5 0.9450111 0.8270464 p53caco

16 4 0.9409636 0.8203816 mapkcaco

17 3 0.9254367 0.7563646 TGFBcaco

18 2 0.9221210 0.7591550 TGFbr2caco

于是筛选出的6个变量为：
TGFbr2caco，mapkcaco，TGFBcaco，pin1caco，p53caco，catenincaco
选择筛选出的变量，隐藏层神经元个数为3，权重衰变为0.0001时（接近较佳），模型如下：

同理，模型二与模型三分别为正常基因变量和临床数据的模型，最终模型如下：

II. 在上一步选出的一共6+8+10=24个变量中，再筛选变量

筛选出的11个变量为：

TGFbr2caco，TGFBcaco，p53caco，mapkcaco，pin1caco，catenincaco，mmp7norco，PatholGrade，Intramural，postOLiverM，tumorSite2

从筛选出的变量可以发现，肿瘤基因变量对结果影响较大

3）神经网络模型测试

I. 肿瘤基因变量

	真实存活	真实死亡		真实存活	真实死亡
测试集，预测存活	41	4	训练集，预测存活	44	1
测试集，预测死亡	1	12	训练集，预测死亡	1	12

II. 正常基因变量

	真实存活	真实死亡		真实存活	真实死亡
测试集，预测存活	37	8	训练集，预测存活	45	1
测试集，预测死亡	7	6	训练集，预测死亡	4	9

III. 临床数据变量

	真实存活	真实死亡		真实存活	真实死亡
测试集，预测存活	44	1	训练集，预测存活	46	0
测试集，预测死亡	6	7	训练集，预测死亡	8	5

IV. 三类综合变量

	真实存活	真实死亡		真实存活	真实死亡
测试集，预测存活	42	3	训练集，预测存活	45	0
测试集，预测死亡	1	12	训练集，预测死亡	1	12

经过测试可以发现第四个模型的预测度较佳，于是接下来选用第四个模型的变量做回归分析。

4）回归模型

第四个模型的预测概率经过对数变换log[p/(1-p)]后，与11个变量做线性回归模型，得到结果如下：

Coefficients:

Estimate Std. Error t valuePr(>|t|)

(Intercept) -1.66173 0.07062 -23.529 < 2e-16 ***

TGFbr2caco -0.54696 0.03824 -14.305 < 2e-16 ***

TGFBcaco 0.74125 0.06812 10.881 2.59e-14 ***

p53caco 0.57184 0.09092 6.290 1.06e-07 ***

mapkcaco 0.46492 0.06162 7.545 1.39e-09 ***

pin1caco 1.46140 0.06444 22.677 < 2e-16 ***

catenincaco 0.96208 0.05993 16.054 < 2e-16 ***

mmp7norco 0.31558 0.06705 4.707 2.34e-05 ***

PatholGrade 1.03743 0.05842 17.757 < 2e-16 ***

Intramural -0.60985 0.06836 -8.921 1.35e-11 ***

postOLiverM 0.10649 0.07671 1.388 0.172

tumorSite2 0.31776 0.04016 7.913 3.98e-10 ***

Residual standard error: 0.1236 on 46degrees of freedom

(1 observation deleted due to missingness)

Multiple R-squared: 0.9928, AdjustedR-squared: 0.9911

F-statistic: 578.1 on 11 and 46DF, p-value: < 2.2e-16

回归模型的预测结果：

	真实存活	真实死亡		真实存活	真实死亡
测试集，预测存活	42	3	训练集，预测存活	45	0
测试集，预测死亡	1	12	训练集，预测死亡	2	11

根据回归模型的系数，制定出预后量表如下：

若按pin1caco变量为1时，分数为100做标准，则11个变量的分数的值标准如下：
TGFbr2caco，TGFBcaco，p53caco，mapkcaco，pin1caco，catenincaco，mmp7norco，PatholGrade，Intramural，postOLiverM，tumorSite2

37.427550 50.722365 39.129911 31.813194100.000000 65.833063 21.594721 70.988897 41.730691 7.287199 21.743853

然后用预测量表算出117位患者得分，具体得分在附件中，用得分与存活概率做线性回归如下：

Coefficients:

Estimate Std. Error t valuePr(>|t|)

(Intercept) -2.8176699 0.0217798 -129.37 <2e-16 ***

x 0.0146141 0.0001662 87.92 <2e-16 ***

Residual standard error: 0.1121 on 56degrees of freedom

(1 observation deleted due to missingness)

Multiple R-squared: 0.9928, AdjustedR-squared: 0.9927

F-statistic: 7730 on 1 and 56 DF, p-value: < 2.2e-16

算出预测概率分界线的分数为192.8055分，即高于此分数的患者被判为死亡死亡概率与0到600的分数的关系如下：