桓峰基因临床数据分析及机器学习预测模型构建教程

---

临床预测模型教程

Topic 1.临床标志物生信分析常规思路

Topic 2.生存分析(Kaplan-Meier)

Topic 3.SCI文章第一张表格之基线表格

Topic 4.临床预测模型构建回归分析(Logistic)

Topic 5.样本量确定及分割

Topic 6.计数变量泊松回归

Topic 7.临床预测模型--Cox回归

Topic 8.临床预测模型-Lasso回归

Topic 9.第二张表---单因素回归分析表

Topic 10.单因素Logistic回归分析---单因素分析表格

Topic 11.多元变量筛选---单/多因素表

Topic 12.临床预测模型---列线表(Nomogram)

Topic 13.临床预测模型---一致性指数(C-index)

Topic 14.临床预测模型之校准曲线(Calibration curve)

Topic 15.临床预测模型之决策曲线(DCA)

Topic 16.临床预测模型之接收者操作特征曲线(ROC)

Topic 17.临床预测模型之缺失值识别及可视化

Topic 18.临床预测模型之缺失值插补方法

Topic 19.临床预测模型之输出每个患者列线图得分 (nomogramFormula)

Topic 20.临床预测模型之竞争风险模型及计算生存概率

Topic 21.临床预测模型之Surv 创建生存对象

基于机器学习构建临床预测模型

ML 1.主成分分析(PCA)

ML 2.因子分析(FactorAnalysis)

ML 3.聚类分析(ClusterAnalysis)

ML 4.癌症诊断方法之 K-邻近算法(KNN)

ML 5.癌症诊断和分子分型方法之支持向量机(SVM)

ML 6.癌症诊断机器学习之分类树(ClassificationTrees)

ML 7.癌症诊断机器学习之回归树(RegressionTrees)

ML 8.癌症诊断机器学习之随机森林(RandomForest)

ML 9.癌症诊断机器学习之梯度提升算法(GradientBoosting)

ML 10.癌症诊断机器学习之神经网络(NeuralNetwork)

ML 11.机器学习之随机森林生存分析(randomForestSRC)

ML 12.机器学习之降维方法t-SNE及可视化(Rtsne)

ML 13.机器学习之降维方法UMAP及可视化(umap)

ML 14.机器学习之集成分类器(AdaBoost)

ML 15.机器学习之集成分类器(LogitBoost)

ML 16.机器学习之梯度提升机(GBM)

ML 17.机器学习之围绕中心点划分算法(PAM)

ML 18.机器学习之贝叶斯分析类器(NaiveBayes)

ML 19.机器学习之神经网络分类器(NNET)

ML 20.机器学习之袋装分类回归树(BaggedCART)

ML 21.机器学习之临床医学上的生存分析(xgboost)

ML 22.机器学习之有监督主成分分析筛选基因(SuperPC)

ML 23.机器学习之岭回归预测基因型和表型(Ridge)

ML 24.机器学习之似然增强Cox比例风险模型筛选变量及预后估计(CoxBoost)

ML 25.机器学习之支持向量机应用于生存分析(survivalsvm)

ML 26.机器学习之弹性网络算法应用于生存分析(Enet)

ML 27.机器学习之逐步Cox回归筛选变量(StepCox)

ML 28.机器学习之偏最小二乘回归应用于生存分析(plsRcox)

ML 29.机器学习之嵌套交叉验证(NestedCV)

ML 30.机器学习之特征选择森林之神(Boruta)

ML 31.机器学习之基于RNA-seq的基因特征筛选(GeneSelectR)

ML 32.机器学习之支持向量机递归特征消除的特征筛选(mSVM-RFE)

ML 33.机器学习之时间-事件预测与神经网络和Cox回归

ML 34.机器学习之竞争风险生存分析的深度学习方法(DeepHit)

ML 35.机器学习之Lasso+Cox回归筛选变量(LassoCox)

ML 36.机器学习之基于神经网络的Cox比例风险模型(Deepsurv)

ML 37.机器学习之倾斜随机生存森林(obliqueRSF)

ML 38.机器学习之基于最近收缩质心分类法的肿瘤亚型分类器(pamr)

ML 39.机器学习之基于条件随机森林的生存分析临床预测(CForest)

ML 40.机器学习之基于条件推理树的生存分析临床预测(CTree)

ML 41.机器学习之参数生存回归模型(survreg)

ML 42.机器学习之Akritas条件非参数生存估计(akritas)

ML 43.机器学习之梯度增强线性模型用于生存数据(glmboost)

ML 44.机器学习之梯度提升回归树用于生存数据(BlackBoost)

ML 45.机器学习之快速实现随机生存森林(Ranger)

ML 46.机器学习之利用SHAP解释模型特征变量的重要性

ML 47.快速选择机器学习算法

ML 48.机器学习之临床生存树(rpartSurv)

ML 49.机器学习多变量预测危险比曲线(smoothHR)

ML 50.一个函数搞定多个生存模型(autoSurv)