傅里叶变换红外光谱作为一种快速光谱扫描,其适用的样品范围广,气体、液体、固体、悬浊体、弹性体等皆可进行红外测定,并享有“有机化合物的指纹谱”之称,该技术在生物医学方面已经取得了广泛应用。本研究将以乳腺癌患者及对照组血清样本的傅里叶变换红外光谱信号作为研究对象,并结合模式识别算法,建立乳腺癌患者中浸润性导管癌及非浸润性导管癌的筛查模型。本研究中主要工作如下:1、使用傅里叶变换红外光谱技术结合模式识别算法首次用于乳腺癌中浸润性导管癌及非浸润性导管癌的筛查。对原始血清傅里叶变换红外光谱数据处理后,使用主成分分析法(PCA)对高维光谱数据进行降维处理,最后分别建立支持向量机(SVM)、决策树(DT)和K最近邻(KNN)分类模型。这三种模型分别取得的最高准确率为95.7%、78.6%和95.7%。实验结果表明,使用傅里叶变换红外光谱技术结合模式识别算法在浸润性导管癌和非浸润性导管癌的筛查上的可行性。2、本文进一步使用核主成分分析(KPCA)特征提取算法进行降维分析,并结合DT、KNN和SVM分类模型进行验证分析。在DT算法中采用了有ID3和C4.5算法,两种算法分别取得的最高准确率为77.1%和85.7%。在KNN算法中验证了不同k值下的准确率,k从1到20,当k=4时,可取得最高准确率为98.6%。在SVM算法中采用了不同核函数进行分析,包括线性核函数、多项式核函数以及RBF核函数,三种核函数取得的最高准确率分别为88.6%、100%和97.1%。说明KPCA特征提取算法结合模式识别分类算法对于乳腺癌血清傅里叶变换红外光谱信号有着较好的筛查效果。本文的研究结果表明,傅里叶变换红外光谱信号结合PCA-SVM、PCA-DT和PCA-KNN模型能够有效地区分乳腺癌中的浸润性导管癌及非浸润性导管癌,为临床上对乳腺癌的分型提供一种新方法。同时也表明使用KPCA特征提取算法,相对于PCA算法对本研究的实验数据有着更好的降维效果,提高了模型的分类准确率与效率,为开发出一种基于傅里叶变换红外光谱的浸润性导管癌和非浸润性导管癌筛查方法提供了新的思路。