基于數(shù)據(jù)分析的肝癌放療后乙肝病毒再激活模型.pdf

1、本文研究了基于數(shù)據(jù)分析的肝癌放療后乙肝病毒再激活模型。通過對原發(fā)性肝癌患者的數(shù)據(jù)樣本進行病情分析，共分為兩種診斷類型：乙肝病毒再激活和乙肝病毒未激活。原發(fā)性肝癌患者放療中產(chǎn)生的臨床因素、放療計劃、DVH劑量體積參數(shù)等多種數(shù)據(jù)，組成高維向量數(shù)據(jù)群。由于數(shù)據(jù)群存在大量的冗余數(shù)據(jù)，使用傳統(tǒng)醫(yī)學統(tǒng)計軟件，如SPSS對數(shù)據(jù)進行分析預測，很難找出與乙肝病毒再激活相關的關鍵信息，難以準確地構建預測模型，因此我們采用智能計算機技術對高維的數(shù)據(jù)群進行特征

2、提取和特征優(yōu)化，找到關鍵的特征向量集，然后使用智能分類模型進行預測。
　　在本文中我們提出了兩種方法：在模式分類前采用Logistic回歸分析特征提取最優(yōu)特征子集，找到關鍵因素，然后用支持向量機進行模式分類；初始數(shù)據(jù)集采用遺傳算法進行特征提取，然后分別采用支持向量機和貝葉斯分類器進行分類識別。
　　實驗結果發(fā)現(xiàn)初始數(shù)據(jù)集采用支持向量機和貝葉斯分類器進行分類的正確率分別達到74.44％和75.76%，基于Logistic回歸分

3、析特征選擇的支持向量機模型正確率提高到78.89%。遺傳算法用于選取最優(yōu)特征子集，當最優(yōu)特征子集的規(guī)模為5，變異操作為高斯變異時，支持向量機分類器的正確率達到82.22%。貝葉斯分類器的正確率達到81.11%。遺傳算法選取5個致使乙肝病毒再激活的危險因素分別為Child-Pugh、外放邊界、TNM、HBV baseline三分類、GTV體積。兩種模型通過比較發(fā)現(xiàn)基于遺傳算法特征選擇的分類模型更適合于本文中肝癌放療后乙肝病毒再激活數(shù)據(jù)的分