中国卫生统计
中國衛生統計
중국위생통계
CHINESE JOURNAL OF HEALTH STATISTICS
2008年
1期
10-14
,共5页
虞慧婷%吴骋%柳伟伟%贺佳
虞慧婷%吳騁%柳偉偉%賀佳
우혜정%오빙%류위위%하가
原发性肝癌%贝叶斯网络%结构学习%参数学习
原髮性肝癌%貝葉斯網絡%結構學習%參數學習
원발성간암%패협사망락%결구학습%삼수학습
目的 运用贝叶斯网络(Bayesian network,BNT)分析肝癌病人资料,探索肝癌预后影响因素间的相互关系.方法 依据最小描述长度(Minimal Description Length,MDL,)准则学习网络结构.对完整数据运用极大似然估计(Maximum likelihood estimation,MLE)获得网络参数,对含有缺失值的数据运用期望最大化(Expectation Maximization.EM)算法进行参数学习,并与完整数据的MLE估计进行比较,衡量BNT学习含有缺失值数据的能力.结果 通过对含有1 441个样本的肝癌资料的学习,构建了一个含有49个结点,62条有向边的BNT模型,并获得各结点参数.网络中的有向边反映肝癌预后影响因素之间的相互作用或影响,网络参数反映其强度.分析了直接影响肝癌预后和分期的指标.并依据网络参数,判断肝癌分期及预后情况.结论 BNT模型具有较强的处理缺失数据的能力, 应用BNT分析肝癌病人资料,揭示了影响肝癌预后的多因素间,多层次的多重因果关系,并从概率角度定量描述各因素问的影响强度.
目的 運用貝葉斯網絡(Bayesian network,BNT)分析肝癌病人資料,探索肝癌預後影響因素間的相互關繫.方法 依據最小描述長度(Minimal Description Length,MDL,)準則學習網絡結構.對完整數據運用極大似然估計(Maximum likelihood estimation,MLE)穫得網絡參數,對含有缺失值的數據運用期望最大化(Expectation Maximization.EM)算法進行參數學習,併與完整數據的MLE估計進行比較,衡量BNT學習含有缺失值數據的能力.結果 通過對含有1 441箇樣本的肝癌資料的學習,構建瞭一箇含有49箇結點,62條有嚮邊的BNT模型,併穫得各結點參數.網絡中的有嚮邊反映肝癌預後影響因素之間的相互作用或影響,網絡參數反映其彊度.分析瞭直接影響肝癌預後和分期的指標.併依據網絡參數,判斷肝癌分期及預後情況.結論 BNT模型具有較彊的處理缺失數據的能力, 應用BNT分析肝癌病人資料,揭示瞭影響肝癌預後的多因素間,多層次的多重因果關繫,併從概率角度定量描述各因素問的影響彊度.
목적 운용패협사망락(Bayesian network,BNT)분석간암병인자료,탐색간암예후영향인소간적상호관계.방법 의거최소묘술장도(Minimal Description Length,MDL,)준칙학습망락결구.대완정수거운용겁대사연고계(Maximum likelihood estimation,MLE)획득망락삼수,대함유결실치적수거운용기망최대화(Expectation Maximization.EM)산법진행삼수학습,병여완정수거적MLE고계진행비교,형량BNT학습함유결실치수거적능력.결과 통과대함유1 441개양본적간암자료적학습,구건료일개함유49개결점,62조유향변적BNT모형,병획득각결점삼수.망락중적유향변반영간암예후영향인소지간적상호작용혹영향,망락삼수반영기강도.분석료직접영향간암예후화분기적지표.병의거망락삼수,판단간암분기급예후정황.결론 BNT모형구유교강적처리결실수거적능력, 응용BNT분석간암병인자료,게시료영향간암예후적다인소간,다층차적다중인과관계,병종개솔각도정량묘술각인소문적영향강도.
