通过代表水平数据的六种类型的微阵列数据进行癌症的基因诊断通过代表水平数据的六种类型的微阵列数据进行癌症的基因诊断
Seiichi Nimi，Seikei大学经济学院名誉教授
根据哈佛医学院的Golub教授的说法，“用于代表景观数据的微阵列数据对癌症进行基因诊断”已经进行了30多年，并且没有得出明确的结论（判别分析问题5）。许多统计学家指出了无法用统计方法处理的问题。
1。它是小n和大p问题的典型景观数据，即p >> n。例如，当对大约10,000名癌症和100名正常患者进行辨别和消退时，这是NP难问题，例如变量选择。
2。对辨别有效的癌基因隐藏在剩余的高维噪声中，并且不能很好地分离。
等等。
1971年大学毕业后，我在费城的LDF大阪县成人疾病中心开发了4年心电图自动诊断系统的逻辑，但没有进入医生的分支逻辑。该经验认为统计判别理论不适用于医学诊断，并且根据最小误分类数（MNM）标准通过数学规划和“小样本的100倍交叉验证方法”（方法1）的最佳线性判别函数并且开发了“Matryoshka特征选择方法（方法2）”来解决五个判别分析问题。30年后无法解决的问题5仅在54天内通过方法2解决。微阵列数据可以完全区分正常和异常与一组基因远小于n（100）数据，以及这些基因组的几十个独家总和（小俄罗斯套娃，SM）我们可以完全划分集合和剩余的高维噪声空间。这些由Springer出版。然后，通过单因素方差分析，聚类分析，PCA和统计判别函数分析获得的所有SM，以报告世界上第一个成功的内容，以创建癌症等级指数。这些结果在亚马逊的Kindle版本（从癌症基因分析到癌症基因诊断，1200日元）中进行了总结和发表。
