Genetische Diagnose von Krebs durch sechs Arten von Microarray-Daten, die für Landschaftsdaten repräsentativ sind
Professor Emeritus der Fakultät für Wirtschaftswissenschaften an der Seikei University Shuichi Niimura
Laut Professor Golub von der Harvard Medical School et al. Wird die "genetische Diagnose von Krebs durch Microarray-Daten, die repräsentativ für Landschaftsdaten ist" seit mehr als 30 Jahren durchgeführt, und es gibt keine eindeutige Schlussfolgerung (Diskriminationsanalyse-Frage 5).Viele Statistiker weisen auf Probleme hin, die statistisch nicht behandelt werden können.
1. Kleines n und großes p-Problem, dh typische >>> n horizontal lange Daten.Wenn zum Beispiel Krebs und 100 normale Probanden um 10.000 herum diskriminiert und zurückgebildet werden, ist dies ein hartes Problem wie die variable Auswahl.
2 Ein für die Diskriminierung wirksames Onkogen wird durch das verbleibende hochdimensionale Rauschen verborgen und kann nicht gut voneinander getrennt werden.
Und so weiter.
Nach dem Abitur im Jahr 1971 entwickelte ich im Osaka Food Adult Disease Center die Logik eines automatischen Diagnosesystems für das Elektrokardiogramm mit Fisher's LDF, das jedoch nicht die Zweiglogik des Arztes befriedigte.Diese Erfahrung hält die statistische Diskriminierungstheorie für ungeeignet für die medizinische Diagnose und basiert auf der optimalen linearen Diskriminanzfunktion basierend auf dem Standard für die Mindestanzahl von Fehlklassifizierungen (MNM) durch mathematische Programmiermethoden und "100-fache Kreuzvalidierungsmethode (Methode 1) für kleine Proben". "Und" Matryoshka Feature Selection Method (Methode 2) ", um die fünf Probleme der Diskriminanzanalyse zu lösen.Problem 5, das in 30 Jahren nicht gelöst werden kann, wurde nach Methode 2 in nur 54 Tagen gelöst.In den Microarray-Daten können Normalität und Abnormalität vollständig von einer Menge von Genen unterschieden werden, die weit unter n (100) in der Anzahl der Datenelemente liegen, und Dutzende von Exklusivsummen (Small Matryoshka, SM) solcher Genpaare (Small Matryoshka, SM). Es konnte vollständig in den Satz und den verbleibenden hochdimensionalen Geräuschraum getrennt werden.Diese wurden von Springer veröffentlicht.Dann berichten wir über die weltweit erste erfolgreiche Erstellung eines Malignitätsindex für Krebs durch Analyse aller SM, die durch unilaterale JMP-Varianzanalyse, Clusteranalyse, PCA und statistische Diskriminanzfunktion erhalten werden.Diese Ergebnisse wurden in einer Amazon Kindle-Version (Von der Krebsgenanalyse bis zur Krebsdiagnostik, 1200 Yen) zusammengestellt und veröffentlicht.
