资探索在医学资料库之应用.pptVIP

資料探索在醫學資料庫之應用 組長：資四A 王志晟 組員：資四A 盧增錄 資四A 黃巧菱 資四A 王冠博 資四A 陳亭瑋 目錄 1.緒論 2.本研究之基本理論 3.研究設備與方法 4.結果與討論 5.結論 1. 緒論 本研究利用不同演算法將醫學資料庫中的資料拿來分析後，來測試準確性、敏感度、明確性、Kappa值，來評估各演算法對於疾病的解釋及診斷的準確率，建立更精準的診斷系統。 本研究之目的在於分析目前常應用於醫學領域的資料探索演算法的特色以及使用範圍限制做一整體評估與比較。 1. 緒論 本研究所分析的演算法有貝氏網路、決策樹的C4.5以及倒傳遞類神經網路。 本研究所採用的測試資料共有3類： 細針穿刺細胞檢查資料，診斷乳部腫瘤細胞是否為惡性。 中醫舌診影像以診斷是否患有上消化道疾病。 糖尿病健康管理記錄資料用以決定病患之治療方式。 2. 本研究之基本理論 1.KDD(Knowledge Discovery in Database) 2.資料庫系統 3.貝氏網路理論 4.決策樹 5.類神經網路 2.1 KDD KDD步驟：資料選擇、資料清除、充實資料、編碼、資料探索、資訊報告。 3 研究方法 1.資料選取 2.資料量化 3.參數的選擇 4.建立貝氏網路架構 5.建立類神經網路 6.建立決策樹 7.診斷知識之建立 8.各種演算法之評估 3.1 研究方法 4. 結果與討論 1.資料選取 2.資料量化 3.參數選擇 4.貝氏網路 5.倒傳遞類神經網路 6.決策樹 7.各種演算法之比較 4.1 資料選取 1.乳部腫瘤資料： 將所有屬性都放置在同一表格，其中包括病人 ID、診斷結果以及其他描述腫瘤細胞核特性的參數。一共32個欄位。資料方面從原始資料中隨機選取 400 筆資料以作為先前之訓練資料，剩餘 169 筆資料則作為測試資料。以相同的方法，再隨機取四群資料集（Data Set），總共有五組資料集。每組資料集都有 400 筆訓練資料作為訓練診斷知識的輸入樣本，及 169 測試資料測試所建立之診斷知識之診斷準確率。各組資料分佈如表 3-1。 4.2 資料量化 對連續資料要量化時必須先決定組數，組數之數量是以史塔基法則計算(為使計算較為簡便)，此法則為一經驗公式，且使用等組距的模式。 史塔基法則(Sturge’s rule): K=1+3.3log n (其中K為組數，n為資料個數) 4.2 資料量化 研究中乳部腫瘤細胞資料分成 11 組，屬性值範圍由 0 到 10。中醫舌診影像資料則分成八組，屬性值由 0 到 7。至於糖尿病資料本身由於是非連續資料型態，除了病史分成 0 到 9 共 10 組屬性值以外，其他每種屬性值只有 0 與 1 二種 。 4.3 參數選擇 參數選擇的條件是採用 Chow 和 Liu 二位學者所提出的共同資訊理論（Mutual Information）。公式如下： 其中Xi,Xj分別代表二個不同的參數，P(Xi) ,P(Xj)則分別代二個參數的機率值。而W(Xi, Xj)代表二個參數相互間的關係，也就是權值。 4.3 參數選擇 由於在計算共同資訊值時必須先獲得各屬性值機率值之分佈情形，因此本研究先行設計一資料表格如圖 4-1，其中儲存各種參數的屬性值機率分佈情形。另外， 本研究採用資料集並非屬於大型資料集，在某些屬性值下發生診斷結果為惡性（或良性）的機率可能為 0，為符合高斯分佈之情形，因此將機率為 0 者設為 0.0001。 4.3 參數選擇 乳部腫瘤細胞 : 在乳部腫瘤細胞中共有五組訓練資料，並分別由各組訓練資料中計算共同資訊值。為考量之後各演算法之運算量，並且由參考文獻中得知周長與診斷結果有所影響。因此在共同資訊值大於周長之參數則將用於後續之研究。而各組所使用之參數以及其共同資訊值依大小順序排序如表 4-1，表 4-2、表 4-3，表 4-4 以及表 4-5 所示。 4.3 參數選擇 中醫舌診影像: 由各組中醫舌診影像資料經計算共同資訊值，並且根據中醫師經驗，上消化道疾病舌中區有關，因此本研究採用共同資訊值大於舌中區各參數之參數。各組採用之參數及對診斷結果之共同資訊值如表 4-6、表 4-7、表 4-8，表 4-9 以及表 4-10 所示。 4.3 參數選擇 糖尿病資料 : 各組糖尿病資料經過共同資訊值之計算後，本類資料所採用之參數與治療方式的共同資訊值皆小於 0.1，如表 4-12。由此可知本研究所使用之參數與治療方式無關，所以本研究對此資料將不做後續之資料探索。 4.4 貝氏網路 建立貝氏網路