癌症的早期诊断能够显著提高癌症患者的存活率，在肝细胞癌患者中这种情况更加明显。机器学习是癌症分类中的有效工具。如何在复杂和高维的癌症数据集中，选择出低维度、高分类精度的特征子集是癌症分类的难题。本文提出了一种二阶段的特征选择方法SC-BPSO：通过组合Spearman相关系数和卡方独立检验作为过滤器的评价函数，设计了一种新型的过滤器方法——SC过滤器，再组合SC过滤器方法和基于二进制粒子群算法（BPSO）的包裹器方法，从而实现两阶段的特征选择。并应用在高维数据的癌症分类问题中，区分正常样本和肝细胞癌样Laduviglusib分子量本。首先，对来自美国国家生物信息中心（NCBI）和欧洲生物信息研究所（EBI）的130个肝组织microRNA序列数据（64肝细胞癌，66正常肝组织）进行预处理，使用MiRME算法从原始序列文件中提取microRNA的表达量、编辑水平和编辑后表达量3类特征。然后，调整SC-BPSO算法在肝细胞癌分类场景中的参数，选择出关键特征子集。最后，建立分类模型，预测结果，并与信息增益过滤器、信息增益率过滤器、BPSO包裹器特征选择算法选出previous HBV infection的特征子集，使用相同参数的随机森林、支持向量机、决策树、KNN四种分类器分类，对比分类结果。使用SC-BPSO算法选择出的特征子集，分类准确率高达98.4KPT-330配制%。研究结果表明，与另外3个特征选择算法相比，SC-BPSO算法能有效地找到尺寸较小和精度更高的特征子集。这对于少量样本高维数据的癌症分类问题可能具有重要意义。