發(fā)布時(shí)間：2020-05-19 16:47

【摘要】：目的運(yùn)用logistic回歸、決策樹(shù)、BP神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)分別建立低增生性骨髓增生異常綜合征(hypocellular myelodysplastic syndrome,hypo-MDS)與再生障礙性貧血(aplastic anemia,AA)的鑒別分類模型,以期為二者的鑒別診斷提供新的思路和方法。方法以2008年1月1日到2016年12月31日期間在中國(guó)醫(yī)學(xué)科學(xué)院血液病研究所以及華北理工大學(xué)附屬醫(yī)院首診確診的hypo-MDS患者與AA患者作為研究對(duì)象,所有hypo-MDS患者和AA患者均符合2008年WHO修訂的MDS分型標(biāo)準(zhǔn)和血液病診斷與療效標(biāo)準(zhǔn)(第三版),且所有研究對(duì)象的病例信息均完整記錄在冊(cè)。收集研究對(duì)象的基本信息、外周血分類計(jì)數(shù)、外周血細(xì)胞形態(tài)學(xué)、骨髓細(xì)胞形態(tài)學(xué)等指標(biāo)。采用Excel進(jìn)行數(shù)據(jù)錄入,Modeler14.1軟件和Medcale軟件進(jìn)行統(tǒng)計(jì)學(xué)分析,建立hypo-MDS與AA的logistic回歸模型、決策樹(shù)模型、BP神經(jīng)網(wǎng)絡(luò)模型以及支持向量機(jī)模型,通過(guò)分別比較四種模型訓(xùn)練集與測(cè)試集的靈敏度、特異度、約登指數(shù)、+LR、-LR、AUC、準(zhǔn)確率、Kappa值、PV+、PV-,得出最優(yōu)分類模型,并分析最優(yōu)模型誤判數(shù)據(jù)特征。結(jié)果1共有286例患者納入研究,hypo-MDS共130例,其中男性69例(53.08%),女性61例(46.92%);AA共156例,其中男性83人(53.20%),女性73人(46.80%)。兩組患者在年齡與職業(yè)構(gòu)成方面差異有統(tǒng)計(jì)學(xué)意義(P0.05),其他基本資料差異無(wú)統(tǒng)計(jì)學(xué)意義(P0.05)。2血細(xì)胞計(jì)數(shù)顯示hypoMDS患者紅細(xì)胞含量和血紅蛋白含量低于AA患者,血涂片結(jié)果顯示hypo-MDS患者分葉核中性粒細(xì)胞比例高于AA患者,成熟淋巴細(xì)胞比例低于AA患者,骨髓細(xì)胞形態(tài)學(xué)顯示hypo-MDS患者早幼核中性粒細(xì)胞、晚幼核中性粒細(xì)胞、分葉核中性粒細(xì)胞、成熟淋巴細(xì)胞比例、成熟漿細(xì)胞比例低于AA患者,早幼紅細(xì)胞、中幼紅細(xì)胞、晚幼紅細(xì)胞比例高于AA患者,差異有統(tǒng)計(jì)學(xué)意義(P0.05)。3分別建立基于logistic回歸、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)以及決策樹(shù)的hypo-MDS與AA的分類模型。針對(duì)訓(xùn)練集樣本,logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型以及決策樹(shù)模型的靈敏度分別為67.03%、69.23%、67.03%、86.60%,特異度分別為75.47%、78.30%、78.30%、97.17%,約登指數(shù)分別為0.43、0.48、0.45、0.84,陽(yáng)性似然比分別為2.73、3.19、3.09、30.60,陰性似然比分別為0.44、0.39、0.42、0.14,ROC曲線下面積分別為0.71、0.74、0.73、0.95,分類準(zhǔn)確率分別為71.57%、74.11%、73.10%、94.92%,Kappa值分別為0.43、0.48、0.46、0.90,陽(yáng)性預(yù)測(cè)值分別為70.11%、73.26%、72.62%、96.55%,陰性預(yù)測(cè)值分別為72.73%、74.77%、73.45%、93.64%。決策樹(shù)模型與logistic回歸模型、決策樹(shù)模型與支持向量機(jī)模型之間的靈敏度差異具有統(tǒng)計(jì)學(xué)意義(P0.05),決策樹(shù)模型與logistic回歸模型、決策樹(shù)模型與BP神經(jīng)網(wǎng)絡(luò)模型、決策樹(shù)模型與支持向量機(jī)模型的特異度、準(zhǔn)確率及ROC曲線下面積之間差異均具有統(tǒng)計(jì)學(xué)意義(P0.05)。針對(duì)測(cè)試集樣本,logistic回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型及決策樹(shù)模型的靈敏度分別為82.05%、82.05%、79.49%、84.62%,特異度分別為72.00%、68.00%、68.00%、76.00%,約登指數(shù)分別為0.55、0.50、0.47、0.61,陽(yáng)性似然比分別為2.93、2.56、2.48、3.53,陰性似然比分別為0.25、0.26、0.30、0.20,ROC曲線下面積分別為0.77、0.73、0.76、0.80,分類準(zhǔn)確率分別為76.40%、74.16%、73.03%、79.78%,Kappa值分別為0.53、0.49、0.46、0.60,陽(yáng)性預(yù)測(cè)值分別為69.57%、66.67%、65.95%、73.33%,陰性預(yù)測(cè)值分別為83.72%、82.93%、80.95%、86.36%。四種模型靈敏度、特異度、準(zhǔn)確率以及ROC曲線下面積之間差異沒(méi)有統(tǒng)計(jì)學(xué)意義(P0.05)。4決策樹(shù)模型對(duì)130例hypo-MDS患者進(jìn)行鑒別分類時(shí),將13例hypo-MDS患者錯(cuò)誤分類為AA患者,通過(guò)對(duì)誤判病例與正判病例的實(shí)驗(yàn)室檢查指標(biāo)比較發(fā)現(xiàn),外周血細(xì)胞計(jì)數(shù)中誤判病例的紅細(xì)胞含量和血紅蛋白含量高于正判病例,骨髓涂片中誤判病例的成熟淋巴細(xì)胞比例高于正判病例,早幼紅細(xì)胞比例及晚幼紅細(xì)胞比例低于正判病例,差異有統(tǒng)計(jì)學(xué)意義(P0.05)。決策樹(shù)模型對(duì)156例AA患者進(jìn)行鑒別分類時(shí),將15例AA患者錯(cuò)誤分類為hypoMDS患者,通過(guò)對(duì)誤判病例與正判病例的實(shí)驗(yàn)室檢查指標(biāo)比較發(fā)現(xiàn),外周血細(xì)胞計(jì)數(shù)中誤判病例的紅細(xì)胞含量和血紅蛋白含量低于正判病例,骨髓涂片中誤判病例的早幼紅細(xì)胞比例、中幼紅細(xì)胞比例以及晚幼紅細(xì)胞比例高于正判病例,而成熟淋巴細(xì)胞比例低于正判病例,差異有統(tǒng)計(jì)學(xué)意義(P0.05)。結(jié)論Logistic回歸、決策樹(shù)、BP神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)四種分類算法中決策樹(shù)算法對(duì)hypo-MDS與AA的分類效果最優(yōu),可以輔助臨床醫(yī)生對(duì)兩種疾病進(jìn)行鑒別診斷。
【圖文】：

第 1 章 調(diào)查研究出現(xiàn)陽(yáng)性結(jié)果的概率，則 logistic 回歸模型可以表示為：1exp[()]10 1122qqXXXP+ β +β+β++β= 常數(shù)項(xiàng)，1β ，2β ，...，qβ 為回歸系數(shù)。若用 I 表示 p 個(gè)：0112233I = β +βX+βX+ +βXP 之間的 logistic 曲線如下圖：

的回歸系數(shù)進(jìn)行假設(shè)檢驗(yàn)，以此來(lái)驗(yàn)證該回歸系數(shù)是否有統(tǒng)計(jì)學(xué)意義。假設(shè)檢驗(yàn)要包括兩方面內(nèi)容：一是對(duì)整個(gè)模型進(jìn)行假設(shè)檢驗(yàn)，，檢驗(yàn)所有自變量的回歸系數(shù)否不全為 0。通常采用似然比檢驗(yàn)（likelihood ratio test）；二是對(duì)單個(gè)回歸系數(shù)行假設(shè)檢驗(yàn)，檢驗(yàn)自變量對(duì)應(yīng)變量的影響是否真正存在，通常采用 Wald 檢驗(yàn)[25]。（2）BP 神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)傳遞的智能算法，對(duì)資料類型沒(méi)有任何求，具有良好的非線性處理能力、強(qiáng)大的容錯(cuò)性等優(yōu)點(diǎn)，具有較高分類精確[26]。1974 年，哈佛大學(xué)的 Paul Werbos 發(fā)明 BP 算法，BP 算法核心的數(shù)學(xué)工具是微積分的鏈?zhǔn)角髮?dǎo)法則[27]。BP 神經(jīng)網(wǎng)絡(luò)模型建立方法如下：設(shè) X 為模型的輸入神經(jīng)元的輸入，Y 為模的輸出變神經(jīng)元的輸入，b 代表隱含層神經(jīng)元的輸入。給定如下訓(xùn)練集：{( )( ) ( )}lmdmmmD = X,Y,X,Y...,X,Y,X∈R,Y∈R1122， （11）以單隱層前饋網(wǎng)絡(luò)為例，計(jì)算 BP 算法的推導(dǎo)過(guò)程如下：
【學(xué)位授予單位】：華北理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R551.3;R556.5

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董寶衛(wèi);王炯;趙永杰;;骨髓小粒細(xì)胞成分在貧血鑒別診斷的應(yīng)用和分析[J];吉林醫(yī)學(xué);2015年18期

2 梁禮明;鐘震;陳召陽(yáng);;支持向量機(jī)核函數(shù)選擇研究與仿真[J];計(jì)算機(jī)工程與科學(xué);2015年06期

3 黃俊;鄧明鳳;陳永玲;唐元艷;黃知平;;低增生性骨髓增生異常綜合征與再生障礙性貧血的檢查診斷[J];中國(guó)衛(wèi)生檢驗(yàn)雜志;2014年16期

4 閆振宇;田旭;李瑩;楊美榮;張嵩;王雪明;張海霞;陳乃耀;;MDS與AA患者骨髓CD34~+和CD71~+CD45~-細(xì)胞水平的變化[J];中國(guó)實(shí)驗(yàn)血液學(xué)雜志;2014年02期

5 肖輝;周征奇;肖革新;于石成;;公共衛(wèi)生領(lǐng)域中的數(shù)據(jù)挖掘[J];醫(yī)學(xué)信息學(xué)雜志;2013年12期

6 李雯雯;王增勝;王曉敏;李燕;毛敏;張曉燕;艾合買(mǎi)提江·艾斯木吐拉;;骨髓增生異常綜合征患者淋巴細(xì)胞亞群特點(diǎn)及環(huán)孢素對(duì)其的影響[J];白血病.淋巴瘤;2013年11期

7 王夢(mèng)雪;;數(shù)據(jù)挖掘綜述[J];軟件導(dǎo)刊;2013年10期

8 石曉敬;;數(shù)據(jù)挖掘及其在醫(yī)學(xué)信息中的應(yīng)用[J];醫(yī)學(xué)信息學(xué)雜志;2013年05期

9 高漢松;肖凌;許德瑋;桑梓勤;;基于云計(jì)算的醫(yī)療大數(shù)據(jù)挖掘平臺(tái)[J];醫(yī)學(xué)信息學(xué)雜志;2013年05期

10 許永波;姜玨;周琦;余姍姍;魏亞娟;乞艷華;雷小瑩;;Logistic回歸模型評(píng)價(jià)超聲造影在甲狀腺單發(fā)結(jié)節(jié)中的鑒別診斷價(jià)值[J];中國(guó)超聲醫(yī)學(xué)雜志;2013年04期

相關(guān)碩士學(xué)位論文 前8條

1 王瀟;血管性認(rèn)知障礙影響因素的決策樹(shù)模型研究[D];青島大學(xué);2017年

2 張翔;數(shù)據(jù)挖掘決策樹(shù)在結(jié)直腸癌預(yù)后預(yù)測(cè)中的研究與應(yīng)用[D];福建醫(yī)科大學(xué);2016年

3 李錦繡;基于Logistic回歸模型和支持向量機(jī)（SVM）模型的多分類研究[D];華中師范大學(xué);2014年

4 宋健;Logistic回歸模型、神經(jīng)網(wǎng)絡(luò)模型和決策樹(shù)模型在肺癌術(shù)后心肺并發(fā)癥預(yù)測(cè)中的比較[D];安徽醫(yī)科大學(xué);2014年

5 黃雯;數(shù)據(jù)挖掘算法及其應(yīng)用研究[D];南京郵電大學(xué);2013年

6 王旭;低增生性骨髓增生異常綜合征與再生障礙性貧血的臨床比較[D];吉林大學(xué);2007年

7 王晶;支持向量機(jī)及其在癌癥診斷中的應(yīng)用研究[D];東北師范大學(xué);2006年

8 李欣;基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法研究[D];大慶石油學(xué)院;2003年

本文編號(hào)：2671187