辛瑞昊 王甜甜 李英瑞 冯欣

摘  要：癌症是一种严重威胁人类健康和生命的疾病。文章以TCGA公开数据库中的乳腺癌数据作为研究样本，基于机器学习中T-test检验和卡方检验方法对乳腺癌数据进行特征筛选和特征提取，保留有效的特征信息，剔除冗余信息。采用5种分类器对乳腺癌的分类进行研究，筛选出排在前10位的乳腺癌生物标志物进行深入研究，实验结果有助于探索遗传信息和自然因素在乳腺癌致病机理中的角色，并为预后评估的精准医疗提供科学依据。

关键词：乳腺癌;特征筛选;特征提取

中图分类号：TP391.4          文献标识码：A文章编号：2096-4706（2021）22-0095-03

Abstract： Cancer is a disease that seriously threatens human health and life. Taking breast cancer data in TCGA open database as the research sample， the T-test test and chi-square test method in machine learning are used to perform feature selection and feature extraction for breast cancer data， retaining effective feature information and eliminating redundant information. Five classifiers are used to study the classification of breast cancer， screening the top 10 breast cancer biomarkers for further study. The experimental results will help to explore the role of genetic information and natural factors in the pathogenesis of breast cancer， and provide scientific evidence for precision medical treatment on prognosis evaluation.

Keywords： breast cancer; feature selection; feature extraction

0  引  言

近些年，各種癌症发病率持续上升（如乳腺癌、肺癌等），严重威胁着人们的身体健康和生命安全。随着我国人口老龄化进程的不断加快，各种传染病的不断突发，居民不健康生活方式和不利环境因素的累加，致使癌症已经演变为严重威胁中国人群健康的公共健康问题之一。

世界卫生组织研究表明，2020年全球乳腺癌发病率达到226万例，肺癌为220万例，乳腺癌发病率已经逐渐超过肺癌，变为全球第一大癌症。除此之外，我国癌症新发人数超过美国，成为癌症新发人数最多的国家[1]，相关数据如图1、图2所示。

大数据在医疗健康领域发挥着重要作用，信息化时代的到来使得医学数据的收集更为方便，医疗大数据的研究和应用成为信息化时代医学研究的关键因素。为了给患者提供更好的治疗方案和预后效果，多种形式的医疗信息系统已经在国内医疗机构中被大量采用。……