通过评价31磷磁共振波谱(31Phosphorus Magnetic Resonance Spectroscopy,31P-MRS)来辨别三种诊断类型:肝细胞癌,正常肝和肝硬化。运用反向传输神经网络(BP)和径向基函数神经网络(RBF)分析31P-MRS数据,分别建立神经网络模型,进行肝细胞癌的诊断分类以期提高识别率。实验结果证明,应用神经网络模型后,31P-MR波谱对活体肝细胞癌的诊断正确率从89.47%提高到97.3%,且BP更优于RBF。
基于活体肝细胞的31P磁共振波谱图(31Phosphorus Magnetic Resonance Spectroscopy,31P-MRS)对肝细胞数据进行诊断,分为3种类型:肝癌、肝硬化和正常肝。分别运用线性分类器和二次分类器对数据分类,并在分类前进行了特征抽取。线性分类器和二次分类器在"留一法"中对上述3种类型的分类准确率分别约为81.37%、77.75%、92.30%和95.27%、99.89%、99.70%。实验证明二次分类器相对于线性分类器,明显地提高了分类准确率。
探讨原发性肝癌患者精确放疗后乙型肝炎病毒(hepatitis b virus,HBV)再激活的危险特征和分类预测模型。提出基于遗传算法的特征选择方法,从原发性肝癌数据的初始特征集中选择HBV再激活的最优特征子集。建立贝叶斯和支持向量机的HBV再激活分类预测模型,并预测最优特征子集和初始特征集的分类性能。实验结果表明,基于遗传算法的特征选择提高了HBV再激活分类性能,最优特征子集的分类性能明显优于初始特征子集的分类性能。影响HBV再激活的最优特征子集包括:HBV DNA水平,肿瘤分期TNM,Child-Pugh,外放边界和全肝最大剂量。贝叶斯的分类准确性最高可达82.89%,支持向量机的分类准确性最高可达83.34%。
为了建立乙型肝炎病毒(Hepatitis B virus,HBV)再激活的预测模型,提出CART(classification and regression tree)特征选择方法应用在原发性肝癌患者精确放疗后HBV再激活的危险因素分析中,进而建立基于CART和Bayes算法的HBV再激活预测模型。实验结果显示:CART算法划分了多组具有优秀分类能力的特征节点集(危险因素),尤其当特征节点集为HBV DNA水平、外放边界、放疗总剂量、V20和KPS评分时,在CART和Bayes预测模型中的分类正确性分别为88.51%和86.69%,得到HBV再激活正确性贡献度的排序为KPS评分>全肝平均剂量>V20>放疗总剂量>V10;当甲胎蛋白AFP出现时,增加了HBV再激活的预测正确性。
