肝纖維化無創診斷的模型分析

毛敏 吳彥亭 張子巖

摘 要：肝纖維無創診斷是無創傷對肝組織纖維化監測的方法，其發展可以有效減少對肝病患者帶來的不適，具有極大的實用性。本文基于主成分分析法、方差齊性檢驗篩選法以及Logistic回歸分析法建立肝纖維化無創診斷模型，繼而采用LOF算法對數據分布差異進行修正從而提高模型應用的精確度。從而得出科學、合理的診斷方程，為肝纖維化的診療提供理論依據。

關鍵詞：指標聚類模型；主成分分析法；ROC曲線模型；LOF算法；肝纖維無創診斷模型

1模型一的建立與求解：基于主成分分析的指標聚類模型

我們首先通過機理分析法對部分格式明顯異常的數據作預處理，接下來對預處理后的樣本數據，依照modified-80%準則對附件提供的30項指標進行剔除，并對處理后的指標下屬殘缺數據作類均值插補。而后，根據拉伊達準則剔除異常數據，將剩余樣本數據作歸一化處理，得到合理化的樣本數據，并通過顯著性檢驗。最后采用主成分分析法來對指標進行遴選歸類，以期找出他們的內在聯系。

STEP1：計算指標矩陣的特征值與特征向量。

STEP2：確定p個主成分，進行統計分析。

STEP3：進行KMO和Bartlett的檢驗來分析得數據可信度和效度是否符合數學標準。

STEP4：運用SPSS統計軟件對基于主成分分析的指標聚類模型進行求解，求解共計得到[?1]，[?2]，[?3]，[?4]，[?5]，[?6]，[?7]，[?8]此八項主成分。

2模型二的建立和求解：基于方差齊性檢驗的ROC曲線模型

為了降低主觀性的因素的影響，在此我們引入基于方差齊性檢驗的ROC曲線模型，通過運用方差齊性檢驗的方法對各獨立測量樣本做顯著性檢驗，并通過SPSS統計軟件對指標是否存在意義做劃分并進一步做出篩選，最終通過對此典型基于樣本的定性定量相結合的模型進行求解，得到13項相關指標。

最終將兩種模型的指標劃分做定性對比，通過分析兩種模型結果的交集，得出問題一所要求的指標，即特征。

通過兩種模型求解結果的整合，甚至說是基于方差齊性檢驗的ROC曲線模型對基于主成分分析的指標聚類模型的修正，我們最終選定的指標為：PTS、IV型膠原、III型前膠原、體重、身高、AST、透明質酸、年齡和ALT。

3模型三的建立和求解：基于Logistic回歸分析法的肝纖維化無創診斷模型

STEP1：提取自變量和因變量。在此，我們以肝纖維化無創診斷模型為因變量，以問題一雙模型篩選的九項指標為自變量。設置變量為模型求解做準備。

STEP2：根據Logistic回歸模型的要求，得到回歸模型的基本形式。

STEP3：運用MATLAB2014b處理軟件，對基于Logistic回歸分析法的肝纖維化無創診斷模型進行求解，并采用似然比來檢驗模型整體的擬合效果，其中將判斷概率的閾值設定為0.05，以保證數據的有效性和說服力。

經過統計，回歸分析的預測準確率高達78.11%，模型擬合程度較好，所以我們認為指標體系內的PTS、Ⅳ型膠原、Ⅲ型前膠原、體重、身高、AST、透明質酸、年齡和ALT這9項指標對于肝纖維化無創診斷模型的貢獻程度毋庸置疑，即足以根據以上9個特征對肝纖維化無創診斷提供具有說服力的病理診斷依據。

參考文獻

[1]Bijlsma，Sabina，IvanaBobeldijk，ElwinR.Verheij，RaymondRamaker，SunilKochhar，IanA.Macdonald，BenVanOmmen，andAgeK[J].Smilde，2006.

[2]張敏，袁輝.拉依達（PauTa）準則與異常值剔除[J].鄭州工業大學學報，1997（1）：84-88.

[3]姜啟源，謝金星，葉俊.數學模型（第三版）[M].北京：高等教育出版社，2006，9.

[4]李洪，宮兆寧，趙文吉等.基于Logistic回歸模型的北京市水庫濕地演變驅動力分析[J].地理學報，2012，67（3）：357-367.

[5]姜廣輝，張鳳榮，陳軍偉等.基于Logistic回歸模型的北京山區農村居民點變化的驅動力分析[J].農業工程學報，2007，23（5）：81-87.

[6]陳溟.基于模糊局部離群因子（LOF）的信用卡欺詐檢測研究[J].金融理論與實踐，2016（10）：54-57.