机器学习_Liver Disorders Data Set(肝损伤数据集)
人工智能及机器学习在非酒精性脂肪性肝病中的应用
人工智能及机器学习在非酒精性脂肪性肝病中的应用冯 巩１ａ，王雪莹１ｂ，李珊珊１ｃ，贺 娜２，郑皓允１ｃ，严琴琴１ａ，弥 曼１ａ１西安医学院ａ．全科医学研究所，ｂ．全科医学院，ｃ．公共卫生学院，西安７１００２１；２西安医学院第一附属医院消化内科，西安７１００７７摘要：非酒精性脂肪性肝病（ＮＡＦＬＤ）已成为全球第一大慢性肝病，并与心血管病、肾病发生风险密切相关。
目前，ＮＡＦＬＤ的诊断和治疗仍然面临诸多挑战，其中，提升诊断效能和优化个体化治疗途径是亟需明确和实现的主要目标。
ＮＡＦＬＤ严重程度的评估涉及多个临床参数，如何优化非侵入性评估方法是该领域的研究热点。
人工智能（ＡＩ）在医学领域的应用日益广泛，也为ＮＡＦＬＤ的临床诊疗带来新的启示。
本文总结了近年来ＡＩ及机器学习在ＮＡＦＬＤ领域的相关研究成果，阐述了多种相关临床诊断和预后新模型在ＮＡＦＬＤ中的应用现状和前景。
关键词：非酒精性脂肪性肝病；人工智能；机器学习基金项目：西安医学院２０２１年校级科研项目（２０２１ＱＮ２０）；２０２０陕西省高等教育学会“疫情防控专项研究课题”（ＸＧＨ２００４３）Ａｐｐｌｉｃａｔｉｏｎｏｆａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｉｎｎｏｎ－ａｌｃｏｈｏｌｉｃｆａｔｔｙｌｉｖｅｒｒｅｓｅａｒｃｈＦＥＮＧＧｏｎｇ１，ＷＡＮＧＸｕｅｙｉｎｇ１，ＬＩＳｈａｎｓｈａｎ１，ＨＥＮａ２，ＺＨＥＮＧＨａｏｙｕｎ１，ＭＩＭａｎ１，ＹＡＮＱｉｎｑｉｎ１．（１．ａ．ＩｎｓｔｉｔｕｔｅｏｆＧｅｎｅｒａｌＰｒａｃｔｉｃｅ；ｂ．ＳｃｈｏｏｌｏｆＧｅｎｅｒａｌＰｒａｃｔｉｃｅ；ｃ．ＩｎｓｔｉｔｕｔｅｏｆＰｕｂｌｉｃＨｅａｌｔｈ，Ｘｉ’ａｎＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００２１，Ｃｈｉｎａ，Ｘｉ’ａｎ７１００２１Ｃｈｉｎａ；２．Ｄｅ ｐａｒｔｍｅｎｔｏｆＧａｓｔｒｏｅｎｔｅｒｏｌｏｇｙ，ＴｈｅＦｉｒｓｔＡｆｆｉｌｉａｔｅｄＨｏｓｐｉｔａｌｏｆＸｉ’ａｎＭｅｄｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００７７，Ｃｈｉｎａ）Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒｓ：ＭＩＭａｎ，８５３００２２７４＠ｑｑ．ｃｏｍ（ＯＲＣＩＤ：００００－０００１－７４０８－５１１３）；ＹＡＮＱｉｎｑｉｎ，ｙａｎｑｉｎｑｉｎ６９９＠１６３．ｃｏｍ（ＯＲＣＩＤ：００００－０００２－８３６６－５３２８）Ａｂｓｔｒａｃｔ：Ｎｏｎ－ａｌｃｏｈｏｌｉｃｆａｔｔｙｌｉｖｅｒｄｉｓｅａｓｅ（ＮＡＦＬＤ）ｉｎｃｉｄｅｎｃｅｉｓｒａｐｉｄｌｙｉｎｃｒｅａｓｉｎｇａｎｄｂｅｃｏｍｅｔｈｅｍｏｓｔｃｏｍｍｏｎｃｈｒｏｎｉｃｌｉｖｅｒｄｉｓｅａｓｅｇｌｏｂａｌｌｙ．ＮＡＦＬＤａｌｓｏｐｏｓｓｅｓｓｅｓａｒｉｓｋｏｆｄｅｖｅｌｏｐｉｎｇｃａｒｄｉｏｖａｓｃｕｌａｒ，ｋｉｄｎｅｙ，ａｎｄｏｔｈｅｒｄｉｓｅａｓｅｓ．Ｔｏｄａｔｅ，ＮＡＦＬＤｓｔｉｌｌｆａｃｅｓｄｉｆｆｉｃｕｌｔｉｅｓｉｎｅａｒｌｙｄｉａｇｎｏｓｉｓａｎｄｔｒｅａｔｍｅｎｔｏｐｔｉｏｎｓ．Ｔｈｕｓ，ｅａｒｌｙｄｅｔｅｃｔｉｏｎ，ｐｒｅｖｅｎｔｉｏｎ，ｏｐｔｉｍａｌｌｙｉｎｄｉｖｉｄｕａｌｉｚｅｄｔｒｅａｔｍｅｎｔｓｅｌｅｃｔｉｏｎｓ，ａｎｄｐｒｅｄｉｃｔｉｏｎｏｆｐｒｏｇｎｏｓｉｓａｌｌａｒｅｔｈｅｋｅｙｓｉｎｃｌｉｎｉｃａｌＮＡＦＬＤｃｏｎｔｒｏｌ．ＡｌｔｈｏｕｇｈｔｈｅｒｅａｒｅａｓｓｅｓｓｍｅｎｔｔｏｏｌｓａｖａｉｌａｂｌｅｆｏｒＮＡＦＬＤｓｅｖｅｒｉｔｙａｐｐｒａｉｓａｌｕｓｉｎｇｄｉｆｆｅｒ ｅｎｔｃｌｉｎｉｃａｌｐａｒａｍｅｔｅｒｓ，ｉｔｂｅｃｏｍｅｓａｈｏｔｔｏｐｉｃｏｆｒｅｓｅａｒｃｈｉｎｔｈｅｆｉｅｌｄｆｏｒｈｏｗｔｏｏｐｔｉｍｉｚｅｎｏｎ－ｉｎｖａｓｉｖｅａｓｓｅｓｓｍｅｎｔｍｅｔｈｏｄｏｌｏｇｉｅｓ．Ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ（ＡＩ）ａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｒｅｉｎｃｒｅａｓｉｎｇｌｙｂｅｉｎｇｕｓｅｄｉｎｈｅａｌｔｈｃａｒｅ，ｅｓｐｅｃｉａｌｌｙｉｎａｓｓｅｓｓｍｅｎｔａｎｄａｎａｌｙｓｉｓｏｆｃｈｒｏｎｉｃｌｉｖｅｒｄｉｓ ｅａｓｅ，ｉｎｃｌｕｄｉｎｇＮＡＦＬＤ．ＴｈｉｓｒｅｖｉｅｗｓｕｍｍａｒｉｚｅｄａｎｄｄｉｓｃｕｓｓｅｄｔｈｅｍｏｓｔｒｅｃｅｎｔｐｒｏｇｒｅｓｓｏｆＡＩａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｉｎｄｉｆｆｅｒｅｎｔｉａｌｄｉａｇｎｏｓｉｓｏｆＮＡＦＬＤａｎｄｅｖａｌｕａｔｉｏｎｏｆＮＡＦＬＤｓｅｖｅｒｉｔｙ，ｉｎｏｒｄｅｒｔｏｐｒｏｖｉｄｅｔｒｅａｔｍｅｎｔｓｅｌｅｃｔｉｏｎｓ，ｉ．ｅ．，ｔｈｅｎｏｖｅｌＡＩｄｉａｇｎｏｓｉｓｍｏｄｅｌｓｂａｓｅｄｏｎｔｈｅｅｌｅｃｔｒｏｎｉｃｈｅａｌｔｈｒｅｃｏｒｄｓａｎｄｌａｂｏｒａｔｏｒｙｔｅｓｔｓ，ｕｌｔｒａｓｏｕｎｄａｎｄｒａｄｉｏｇｒａｐｈｉｃｉｍａｇｉｎｇ，ａｎｄｌｉｖｅｒｈｉｓｔｏｐａｔｈｏｌｏｇｙｄａｔａ．ＴｈｅｔｈｅｒａｐｅｕｔｉｃｍｏｄｅｌｓｄｉｓｃｕｓｓｅｄｔｈｅｐｅｒｓｏｎａｌｉｚｅｄｌｉｆｅｓｔｙｌｅｃｈａｎｇｅｓａｎｄＮＡＦＬＤｄｒｕｇｄｅｖｅｌｏｐｍｅｎｔ．ＴｈｅＮＡＦＬＤｐｒｏｇｎｏｓｉｓｍｏｄｅｌｒｅｖｉｅｗｅｄａｎｄｐｒｅｄｉｃｔｅｄｈｏｗＮＡＦＬＤ－ｃｈａｎｇｅｄｌｉｖｅｒｍｅｔａｂｏｌｉｓｍｓａｆｆｅｃｔｐｒｏｇｎｏｓｉｓｏｆｐａｔｉｅｎｔｓ．ＴｈｉｓｒｅｖｉｅｗａｌｓｏｓｐｅｃｕｌａｔｅｄｆｕｔｕｒｅｐｒｏｓｐｅｃｔｉｖｅｒｅｓｅａｒｃｈｈｏｔｓｐｏｔｓａｎｄｄｅｖｅｌｏｐｍｅｎｔｉｎｔｈｅｆｉｌｅｄｆｏｒｈｏｗｔｏｕｔｉｌｉｚｅｔｈｅｅｘｉｓｔｉｎｇＡＩｍｏｄｅｌｓｔｏｄｉｓｔｉｎｇｕｉｓｈＮＡＦＬＤａｎｄｎｏｎ－ａｌｃｏｈｏｌｉｃｓｔｅａｔｏｈｅｐａｔｉｔｉｓ（ＮＡＳＨ）ａｎｄａｓｓｅｓｓＮＡＦＬＤｆｉｂｒｏｓｉｓｓｔａｔｕｓ．Ｋｅｙｗｏｒｄｓ：Ｎｏｎ－ａｌｃｏｈｏｌｉｃＦａｔｔｙＬｉｖｅｒＤｉｓｅａｓｅ；ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ；ＭａｃｈｉｎｅＬｅａｒｎｉｎｇＲｅｓｅａｒｃｈｆｕｎｄｉｎｇ：Ｘｉ’ａｎＭｅｄｉｃａｌＣｏｌｌｅｇｅ２０２１ＲｅｓｅａｒｃｈＰｒｏｊｅｃｔ（２０２１ＱＮ２０）；ＳｈａａｎｘｉＰｒｏｖｉｎｃｅ２０２０ＨｉｇｈＥｄｕｃａｔｉｏｎＡｓｓｏｃｉａｔｉｏｎ“ＳｐｅｃｉａｌＲｅｓｅａｒｃｈＰｒｏｊｅｃｔｏｎＥｐｉｄｅｍｉｃＰｒｅｖｅｎｔｉｏｎａｎｄＣｏｎｔｒｏｌ”（ＸＧＨ２００４３）ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－５２５６．２０２２．１０．０２９收稿日期：２０２２－０５－２６；录用日期：２０２２－０７－０２通信作者：弥曼，８５３００２２７４＠ｑｑ．ｃｏｍ；严琴琴，ｙａｎｑｉｎｑｉｎ６９９＠１６３．ｃｏｍ 非酒精性脂肪性肝病（ＮＡＦＬＤ）已成为全球最常见的慢性肝病，有学者提出ＮＡＦＬＤ可以作为代谢综合征的肝脏表现，并应更名为代谢相关脂肪性肝病［１－３］。
UCI机器学习数据库使用说明 收藏
UCI机器学习数据库使用说明收藏UCI机器学习数据库的网址: /ml/数据库不断更新至2010年，是所有学习人工智能都需要用到的数据库，是看文章、写论文、测试算法的必备工具。
数据库种类涉及生活、工程、科学各个领域，记录数也是从少到多，最多达几十万条。
UCI数据可以使用matlab的dlmread或textread读取，不过，需要先将不是数字的类别用数字，比如1/2/3等替换，否则读入不了数值，当字符了。
UCI数据库使用说明转自：/bbs/thread-37-1-1.html此目录包含数据集和相关领域知识（后面以简短的列表形式进行的注释），这些数据已经或能用于评价学习算法。
每个数据文件（*.data）包含以“属性-值”对形式描述的很多个体样本的记录。
对应的*.info 文件包含的大量的文档资料。
（有些文件_generate_ databases；他们不包含*.data文件。
）作为数据集和领域知识的补充，在utilities目录里包含了一些在使用这一数据集时的有用资料。
地址/~mlearn/MLRepository.html ，这里的UCI数据集可以看作是通过web的远程拷贝。
作为选择，这些数据同样可以通过ftp获得，ftp:// . 可是使用匿名登陆ftp。
可以在pub/machine-learning-databases目录中找到。
注意：UCI一直都在寻找可加入的新数据，这些数据将被写入incoming子目录中。
希望您能贡献您的数据，并提供相应的文档。
谢谢——贡献过程可以参考DOC-REQUIREMENTS文件。
目前，多数数据使用下面的格式：一个实例一行，没有空格，属性值之间使用逗号“,”隔开，并且缺少的值使用问号“?”表示。
并请在做出您的贡献后提醒一下站点管理员：ml-repository@下面以UCI中IRIS为例介绍一下数据集：ucidata\iris中有三个文件：Indexiris.datasindex为文件夹目录，列出了本文件夹里的所有文件，如iris中index的内容如下：Index of iris18 Mar 1996 105 Index08 Mar 1993 4551 iris.data30 May 1989 2604 siris.data为iris数据文件，内容如下：5.1,3.5,1.4,0.2,Iris-setosa4.9,3.0,1.4,0.2,Iris-setosa4.7,3.2,1.3,0.2,Iris-setosa……7.0,3.2,4.7,1.4,Iris-versicolor6.4,3.2,4.5,1.5,Iris-versicolor6.9,3.1,4.9,1.5,Iris-versicolor……6.3,3.3,6.0,2.5,Iris-virginica5.8,2.7,5.1,1.9,Iris-virginica7.1,3.0,5.9,2.1,Iris-virginica……如上，属性直接以逗号隔开，中间没有空格（5.1,3.5,1.4,0.2,），最后一列为本行属性对应的值，即决策属性Iris-setosa。
基于机器学习的肝脏病变诊断系统研究
基于机器学习的肝脏病变诊断系统研究近年来，机器学习技术的快速发展和广泛应用，为医学领域带来了新的机遇和挑战。
肝脏是人体内的一大重要器官，它承担着过滤代谢产物、合成和分解有机物质以及储存能量等重要功能。
然而，随着生活方式的改变和环境污染的加剧，肝脏疾病的发病率也呈现出逐年上升的趋势。
传统的手动诊断方法，不仅需要大量的人力物力，而且其诊断结果的准确性和稳定性也存在一定的局限性。
因此，基于机器学习的肝脏病变诊断系统的研究，具有重要的临床意义和价值。
一、肝脏病变的分类和特征提取肝脏病变，是指在肝脏组织中，由多种原因引起的不同程度的损伤和疾病。
其病程长短、病因不同，因此，可分为肝硬化、肝癌、肝炎等多种类型。
机器学习领域，常用的肝脏病变诊断指标包括血清标志物、图像特征、基因等多种因素。
在实际应用中，肝脏病变的特征提取是一个重要的环节。
肝脏图像通常通过医学成像技术实现，其中包括CT、MRI、超声等几种不同的成像方式。
基于这些成像方式，可以提取出一些与肝脏病变有关的特征量，如肿瘤大小、轮廓、纹理以及密度等。
这些特征量将成为机器学习模型训练的重要依据。
二、基于支持向量机的肝脏病变诊断模型支持向量机是一种广泛应用于分类和回归问题的机器学习算法。
其基本思想是构建一个最优超平面，将不同类别的数据样本分隔开来。
在肝脏病变的分类问题中，支持向量机也可以被用来实现诊断模型的构建。
具体而言，支持向量机可用于二分类或多分类问题。
在实际应用中，将肝脏病变分为无、轻、中、重四个等级进行分类，在构建支持向量机分类模型时，需要先将样本数据集分为训练集和测试集。
训练集数据将用于训练分类模型，测试集数据则用于评估模型的性能。
为了提高支持向量机的性能和预测准确性，可采用交叉验证等多种技术手段来优化模型参数，包括惩罚系数、核函数、预处理操作等。
三、基于深度学习的肝脏病变诊断模型深度学习是近年来备受关注的机器学习技术，其在图像和语音识别、自然语言处理等领域已取得了突破性的进展。
两种机器学习方法构建非酒精性脂肪性肝病患病风险预测模型的研究演示课件
两种模型均显示出较好的预测性能，但模型 1在准确率和特异性方面略优于模型2。
结果比较与分析
01 02
比较分析
模型1和模型2在预测非酒精性脂肪性肝病患病风险时，均表现出了一定 的准确性，但模型1的预测效果更佳。这可能与算法A在处理特征和分 类方面的能力有关。
特征重要性分析
通过特征重要性分析，发现年龄、性别、体重指数和血脂水平等特征对 非酒精性脂肪性肝病的患病风险影响较大，这与实际医学知识相符。
感谢您的观看
THANKS
病风险。
对于已经患病的患者，应根据个 体情况制定个性化的治疗方案，
以提高治疗效果。
对机器学习在医学领域应用的展望
01
机器学习在医学领域的应用前景广阔，尤其是在疾 病预测、诊断和治疗方面。
02
随着数据获取和处理的技术的不断发展，机器学习 在医学领域的应用将更加广泛和深入。
03
需要加强跨学科合作，推动机器学习与医学的交叉 研究，以实现更高效、精准的医疗服务。
决策树算法具有直观易懂、分类效果好等优点，但也存在容易过拟合、对噪声数据 敏感等缺点。
随机森林算法
1
随机森林算法是一种集成学习算法，通过构建多 棵决策树并综合它们的分类结果来提高分类精度 和稳定性。
2
在随机森林中，每个决策树都是在随机选取的数 据子集上独立构建的，并通过投票等方式综合各 个树的分类结果。
02
预测模型有助于识别高危人群，为预防和控制NAFLD提供依据
。
临床决策支持
03
预测模型可以为医生提供辅助决策支持，帮助制定个性化的治
疗方案。
02
数据与方法
数据来源
收集相关数据
从医疗数据库、流行病学调查和临床 研究中收集非酒精性脂肪性肝病（ NAFLD）的相关数据。
机器学习及其在肝脏疾病影像诊断中的研究进展
【Abstract】 Machine learning (ML) refers to the computer’s ability to simulate human learning through massive data training and analysis to gain new knowledge and skills. It is the core of artificial intelligence. Currently, the study of ML on liver diseases is relatively few due to the difficulty of image segmentation. However, with the continuous improvement of ML algorithm, the application of ML in liver imaging has gradually increased, such as the screening of chronic liver diseases, assessment of the severity of illness, differentiation and classification of focal liver lesions, assisted physician diagnosis, image segmentation algorithm for liver diseases, automatic assessment of image quality, etc. This article systematically reviews and introduces the concept, development, common algorithms of ML and the research advances of ML in the imaging diagnosis of，随着医疗数据尤其是医学影像数据的 集成和计算机运算能力的迅猛发展，基于机器学习 （machine learning，ML）的医学影像数据分析已经成 为交叉学科中的研究热点。 当前，ML 在计算机视 觉、语音识别、自然语言处理、音频识别与生物信息 学等领域取得了突破性进展。 其在医学领域，特别 是在医学影像领域的应用越来越多。 这些研究主要 集中在神经外科疾病、脑卒中、心血管疾病、肺部疾 病、前列腺癌、宫颈癌、视网膜疾病等。 由于呼吸运 动影响、组织天然对比较差及肝脏影像分割难度较 大等原因，ML 在肝脏疾病影像诊断方面的研究相 对较少， 但随着算法的改进和硬件设备的升级，此
基于机器学习的肝癌早期诊断模型研究
基于机器学习的肝癌早期诊断模型研究一、前言肝癌是一种常见的恶性肿瘤，其高发率和危险程度使得早期发现和诊断非常重要。
目前，很多研究者通过机器学习的方法来对肝癌进行早期诊断，取得了不错的效果。
本文将对基于机器学习的肝癌早期诊断模型进行研究和探讨。
二、机器学习在肝癌早期诊断方面的应用机器学习是一种基于数据和统计学理论的人工智能方法，其可以高效地提取数据中的关键信息，帮助实现精度高、速度快的肝癌早期诊断。
在肝癌早期诊断方面，常用的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）和深度学习等。
1.支持向量机支持向量机（SVM）是一种二分类模型，其基本思想是在训练数据中找到一个最优的分离超平面，使得该超平面可以将不同类别的数据尽量分离。
对于肝癌早期诊断，SVM经常被应用于肝癌图像分析和影像学数据的分析。
2.随机森林随机森林（Random Forest）是一种集成学习算法，其通过构建多棵决策树的方式进行分类。
在肝癌早期诊断中，随机森林常用于图像特征提取和分类模型构建之中。
3.深度学习深度学习是当前最为热门的机器学习算法之一，其基于神经网络进行模型构建，在肝癌早期诊断中常用于医学影像识别和分类分析。
三、基于机器学习的肝癌早期诊断模型案例1. 基于深度学习的肝癌影像诊断深度学习在医学影像识别中的应用极为广泛。
学者们通过构建神经网络，对大量肝癌CT影像进行训练，最终得到一个可以自动识别肝癌的模型。
该模型准确度非常高，可以实现对不同类型肝癌的自动分类和定量分析。
2. 基于随机森林的肝癌图像特征提取针对肝脏磁共振图像中不规则的肿块特征，研究者通过随机森林算法，发现“边缘平滑度”、“组织密度”和“灰度共生矩阵”的特征在肝癌诊断中的准确率高于其他指标。
针对这些特征，研究者构建了一个基于手工提取特征的诊断模型，其准确度可以达到90%以上。
3. 基于SVM的肝癌筛查基于SVM算法，研究者可以通过影像特征提取和分类模型构建，实现对肝癌高、中、低风险组的自动预测。
逻辑斯谛回归算法在医疗领域的应用——肝病筛查
逻辑斯谛回归算法在医疗领域的应用——肝病筛查李博阳【摘要】近年来,随着我国科技水平不断上升,各领域数据量以指数级别增加,传统的统计方法已不能满足现代人们的需要,如何在大规模的数据里面挖掘有用的信息,分析预测新的数据,成为各行各业所研究的问题,医学领域也是如此.随着医疗领域的快速发展,机器学习与医疗结合的方法应运而生,它是处理海量数据有效的方法.本研究即利用逻辑斯谛回归机器学习算法来分析肝脏医疗数据,从而建立机器学习模型,最终用该模型对患者类别进行预测,实现人工智能在线辅助肝病诊断,从而提高肝病筛查预测的准确性和实时性.【期刊名称】《电子测试》【年(卷),期】2019(000)004【总页数】3页(P43-44,64)【关键词】机器学习;逻辑斯谛回归算法;智能医疗;肝病筛查;数据挖掘【作者】李博阳【作者单位】南京市第十二中学,江苏南京,210011【正文语种】中文1 绪论1.1 重要性近年来，医院误诊、排长队挂号屡见不鲜，此类现象正表明了传统医疗方法的弊端。
随着大数据时代的到来，医疗领域积累起了规模庞大的数据，机器学习正是挖掘该类数据的主要方法之一，与传统医疗相比，机器学习诊断疾病的准确性和及时性方面都有一定程度的保证。
传统医疗的缺点即主观性太强，判断结果依赖医生的经验，医生仅仅凭借寥寥几个身体特征，很容易导致误诊，更有甚者可能造成死亡，而且随着患者数据量增大，医生负担随之增大，医疗效率低下，更可能导致病情拖延，错过最好治疗时间。
虽然机器学习算法还不足以使得机器像人一样思考，但是在很多领域已经取得了突破性的发展。
尤其在医疗领域，更是显示了机器学习算法非常大的优越性，而且肝病是多发病，庞大的数据亟需利用机器学习的方法来整理并预测数据。
因此，将机器学习算法应用于医疗领域有很大的现实意义。
1.2 本研究创新点本研究的创新点在于将机器学习和医疗领域进行有机结合，机器学习是一种计算机基于数据构造模型并运用模型进行预测和分析的学科，本课题即通过逻辑斯谛回归机器学习算法从医疗大数据中高效提取出有价值的信息，建立机器学习模型，利用模型对新样本数据即患者身体特征信息进行分析预测，从而进行肝病筛选。
肝脏损伤模型
肝损伤模型:5O只小鼠随机分为5组，每组l0只，分空白对照组：常规饲养，自由饮水；模型组：常规饲养，自由饮水，每天用0．2mL 生理盐水灌胃一次；山药多糖保护组分高、中、低三组，常规饲料，自由饮水，每天按体重50 mg／kg、100 mg／kg、150 mg／kg山药多糖胃一次】，连续饲养8 d，末次灌胃2 h，正常对照组腹腔注射调和油溶液，其余各组腹腔0．15％ ccL4调和油溶液(10 mL／Kg 体重) J，12 h后禁食不禁水，24 h眼球取血，分离血清，用赖氏法测ALT、 AST.
测量指标:采用CCl 诱导小鼠肝损伤模型，药物预防性实验，通过测定血清谷丙转氨酶(ALT)、谷草转氨酶(AST) 和肝组织丙二醛(MDA)含量、黄嘌呤氧化酶(XOD)、谷胱甘肽还原酶活性(GSH)以及肝组织形态学变化为指标，观察提取物对肝损伤的保护作用。
肝衰竭预测模型开题报告
肝衰竭预测模型开题报告一、项目背景和目标肝衰竭是一种非常危险的临床疾病，其发病率逐年增加。
肝衰竭患者需要尽早进行诊断和治疗，以提高生存率和治疗效果。
因此，开发一种肝衰竭预测模型，可以帮助医生尽早发现患者的病情，并提供个性化的治疗方案。
本项目的目标是开发一个基于机器学习算法的肝衰竭预测模型。
通过训练大量的病例数据，模型可以预测一个患者是否有患肝衰竭的风险，并给出相应的预警。
二、项目方法和步骤1. 数据收集：收集大量的肝衰竭的病例数据，包括患者的基本信息、临床表现、实验室检查指标等。
2. 数据预处理：对收集到的数据进行清洗和预处理，包括处理缺失值、异常值和离群值，进行数据归一化等。
3. 特征工程：对处理后的数据进行特征工程，提取出与肝衰竭相关的特征。
可以使用统计学方法、特征选择算法等进行特征选择和降维。
4. 模型选择和训练：选择合适的机器学习算法进行建模和训练，如逻辑回归、支持向量机、随机森林等。
使用训练集进行模型训练，调整模型超参数以优化模型性能。
5. 模型评估：使用测试集对模型进行评估，计算模型的准确率、精确率、召回率、F1值等指标，评估模型的性能和稳定性。
6. 模型应用：将训练好的模型应用到新的数据上进行预测，根据预测结果给出相应的风险评估和预警。
三、预期成果和意义本项目的预期成果是一个可靠的肝衰竭预测模型，能够在早期发现患者的肝衰竭风险，并及时给出相应的预警。
该模型可以帮助医生更好地诊断和治疗肝衰竭，提高治疗效果和患者的生存率。
本项目的意义在于提供了一种新的肝衰竭预测手段，为临床医生提供了更准确和有效的辅助诊断工具。
通过早期预测和干预，可以提高肝衰竭患者的生存率和治疗效果，降低医疗资源的浪费。
STOP ASCVD：从大数据看他汀安全性(2010版)
人口统计学资料 药物相关资料 不良事件资料 不良事件结局 报告来源资料 药物治疗资料 药物适应症
药物
PS 报告 总例数
肝损伤例 数(百分 比)
肾损伤例 数(百分 比)
肌肉损伤 例数(百 分比)
新发 糖尿病例 数(百分 比)
抑郁 例数(百 分比)
血小板 减少症例 数(百分 比)
氟伐他汀
20
3 (15%)
0 (0%)
7 (35.0%)
0 (0%)
0 (0%)
0 (0%)
/Drugs/GuidanceComplianceRegulatoryInformation/Surveillance/AdverseDrugEffects/ucm082193.htm
1 (2.9%)
0 (0%)
/Drugs/GuidanceComplianceRegulatoryInformation/Surveillance/AdverseDrugEffects/ucm082193.htm
氟伐他汀6类不良事件反应报告例数 及在其PS报告中的比例
PS SS C I
主要 报告
药物与不良反应相伴随（ Concomitant ）
药物相互作用（ Interacting ）
/Drugs/GuidanceComplianceRegulatoryInformation/Surveillance/AdverseDrugEffects/ucm082193.htm
基于机器学习模型的肝脏病诊断预测
产业发展
基于机器学习模型的肝脏病诊断预测 *
刘巧利 1，贺鹏飞 1，李彦杰 1，杨信志 1，张顺 2 （1. 烟台大学 光电信息科学技术学院，山东 烟台，264025；
2. 烟台东方威思顿电气有限公司 山东 烟台 264003）
摘要：历年来肝脏病患者人数持续增长，劳累、熬夜、酗酒、吸入有害气体或食入受污染的食物等都会对 肝脏造成损伤。自动诊断工具不仅能减轻医生的负担，而且可以大幅削减成本，其诊断结果几乎能实时 获取，且实验统计表明，机器学习对某些疾病的诊断准确率已远超过人类医生。本文针对肝脏病数据集， 提出了用 Pyt hon 实现逻辑回归、决策树、支持向量机、MLP 神经网络这四种机器学习算法对肝脏病的诊 断预测，通过参数优化和训练过程优化，实验结果表明，SVM和决策树两种算法达到了很好的准确率。 关键词：肝脏病；自动诊断；机器学习算法；准确率；混淆矩阵
在本研究中的二分类问题，我们先通过最大似
然建立代价函数，然后用交叉熵的方式去训练，寻求
使得损失函数 loss（w, b）最小的参数组合（w, b）。
1 引言
生物医学数据智能化处理是当前医学信息工程 中一个研究热点。在医疗诊断上，目前对于疾病的诊 断在很大程度上还是取决于医生的实际经验，但随 着近年来数据挖掘在医学研究中的应用愈加广泛， 利用实际数据进行疾病预测与诊断也备受重视[1]。 其特点：一方面智能诊断可以有效支持医生的决策， 一定程度上缓解医患关系，提高工作效率[2]；另一方 面，对某些疾病做到早发现、早治疗，对患者来说可 直接降低治疗成本甚至逆转诊断结果。
而后，进行数据分类，其一般是一个两步走过 程：其中，第一步是训练阶段，分类器算法使用训练 集构建分类器模型，通过训练模型发现数据中的某
机器学习在疾病预测中的应用
机器学习在疾病预测中的应用一、本文概述随着科技的飞速进步和大数据时代的到来，机器学习（Machine Learning）这一领域已经逐渐渗透并影响了我们生活的方方面面，尤其在医疗健康领域的应用更是日益凸显。
疾病预测作为医疗健康领域的重要分支，近年来也开始广泛利用机器学习技术，以实现更精准、更个性化的预测和防控。
本文将重点探讨机器学习在疾病预测中的应用，包括其技术原理、应用实例、优缺点以及未来发展趋势等方面，旨在为读者提供一个全面、深入的视角，以更好地理解和应用机器学习在疾病预测领域的知识和技术。
二、机器学习基础机器学习是的一个分支，其核心思想是让计算机系统从数据中学习并提升性能，而无需进行明确的编程。
机器学习模型通过训练数据找到数据的内在规律和模式，并利用这些模式和规律对新的、未见过的数据进行预测或分类。
机器学习模型大致可以分为监督学习、无监督学习和半监督学习等几类。
在监督学习中，模型从带有标签的训练数据中学习，例如，通过历史病例数据及其对应的疾病标签来训练模型，使其能预测新病例的疾病类型。
无监督学习则主要用于发现数据中的隐藏模式或结构，例如，通过患者的基因表达数据来发现可能的疾病基因。
而半监督学习则介于两者之间，使用部分有标签的数据和部分无标签的数据进行训练。
在疾病预测中，机器学习的主要应用包括预测疾病的发生、预测疾病的进展、预测疾病的治疗效果等。
例如，通过对大量患者的基因、生活习惯、环境因素等数据进行机器学习分析，我们可以预测某些疾病的发生风险，从而提前进行干预。
机器学习也可以用于预测疾病的进展，如预测癌症的扩散情况，以便医生为患者制定更有效的治疗方案。
机器学习还可以分析患者的治疗效果，预测治疗效果，从而优化治疗方案。
机器学习在疾病预测中的应用，不仅可以帮助我们更深入地理解疾病的本质和规律，也可以为我们提供更准确、更个性化的疾病预测和治疗方案。
随着技术的发展，我们期待机器学习在疾病预测中的应用能发挥更大的作用，为人类的健康做出更大的贡献。
深度学习技术在肝脏疾病诊断中的应用
深度学习技术在肝脏疾病诊断中的应用深度学习技术是一种基于神经网络的机器学习方法，近年来在医学领域得到了越来越广泛的应用。
其中，肝脏疾病的诊断是深度学习技术应用的重点之一。
本文将从深度学习技术的基本原理、影像诊断和血液学诊断两个方面，阐述深度学习技术在肝脏疾病诊断中的应用。
一、深度学习技术的基本原理深度学习技术是一种基于神经网络的机器学习方法。
它的基本原理就是模仿人脑神经元之间的联系，建立多层次的神经网络，通过训练数据，优化神经网络的权重和参数，从而实现对未知数据的预测或分类。
深度学习技术的核心是神经网络。
神经网络由许多个节点组成，每个节点与上一层的所有节点相连。
每个节点接收上一层节点传输来的信息，对其进行计算，并将计算结果传递给下一层的节点。
通过多层节点之间的信息传播和计算，实现对输入数据的处理，输出预测或分类结果。
二、深度学习技术在肝脏影像诊断中的应用1. 图像分类和分割深度学习技术在肝脏影像分类和分割方面有着广泛的应用。
图像分类是指根据一张影像将其识别为正常或异常；而图像分割则是指将影像划分成不同的区域，常用于分割出肝脏病变区。
深度学习技术可以通过对大量医学影像数据的训练，学习到区分正常和异常影像的模式。
同时，深度学习技术还可以通过卷积神经网络等算法实现肝脏影像的分割，将病变区域分离出来，为医生提供更精准的诊断依据。
2. 三维重建肝脏是一个三维的结构。
利用深度学习技术可以将多个二维肝脏影像进行三维重建，将肝脏的结构更加直观地呈现，为医生提供更为全面的诊断信息。
三、深度学习技术在肝脏血液学诊断中的应用肝脏疾病还可以通过血液学指标进行诊断。
深度学习技术同样可以应用于肝脏血液学诊断中，从而为肝脏疾病的早期诊断和治疗提供更加精确的依据。
1. 肝脏功能评估肝脏功能评估可以通过从血液样本中测量多种生化指标来实现。
深度学习技术可以将这些生化指标与临床数据结合起来，建立多层神经网络进行学习，从而实现对肝脏功能的评估。
机器学习在肝脏疾病中的应用
机器学习在肝脏疾病中的应用近年来，随着人工智能技术的发展，机器学习成为了医疗领域研究的一个热点。
尤其是在肝脏疾病诊断和治疗方面，机器学习技术的应用已经取得了一定的成果。
本文将主要介绍肝脏疾病与机器学习的关系、机器学习在肝脏疾病中的应用及其优势与不足，同时探究其发展前景。
一、背景肝脏是一个重要的代谢器官，在身体的代谢过程中起着至关重要的作用。
但是，由于饮食、环境、药物等原因，人们容易出现肝脏疾病，如肝炎、脂肪肝、肝硬化等。
这些疾病长期积累会对肝脏造成严重的损害，最终导致肝功能衰竭甚至死亡。
因此，肝脏疾病的早期诊断、治疗和预防非常关键。
传统的肝脏疾病诊断和治疗方法需要经过多位专家的判断和分析，费时费力，且准确性也难以保障。
而机器学习技术通过对大量数据的分析和学习，能够自动化地进行肝脏疾病诊断和预测，大大提高了诊断的准确性和效率，为肝脏疾病的治疗提供了更好的手段。
二、机器学习在肝脏疾病中的应用机器学习技术在肝脏疾病诊断、预测和治疗方面的应用主要包括以下几个方面：1、肝脏影像处理医生通常会对病人进行肝脏影像检查，这种影像数据通常包括超声、CT和MRI等。
通过机器学习技术对这些影像数据进行处理，可以帮助医生更准确地判断病变部位和类型，预测病情的发展趋势，并提供个性化的治疗方案。
2、病人数据分析通过机器学习技术对病人的临床数据进行分析，可以提取出更准确的病人特征，如年龄、性别、体重指数、血液生化指标等。
这些特征可以帮助医生更好地判断患者的病情、预测病情的发展趋势，并制定更具针对性的治疗方案。
3、支持医生决策机器学习技术可以用于帮助医生做出更明智的决策。
例如，在制定治疗方案时，机器学习技术可以预测治疗效果并提供建议，还可以优化药物治疗和手术方案，减少风险。
三、机器学习在肝脏疾病中的优势与不足机器学习技术在肝脏疾病诊断和治疗方面具有以下优势：1、高效性机器学习技术可以同时对大量数据进行处理，可针对肝脏数据，识别疾病的关键标志和特征。
基于机器学习的肝病预测模型
基于机器学习的肝病预测模型肝脏是人体水平分割的最大实质性器官之一，它具有很多重要的功能，其中包括合成和分泌胆汁、代谢和存储一些物质、分解和去除体内废物等等。
然而，由于不良的生活方式和环境因素以及疾病等原因，肝脏疾病的发病率也逐渐增加。
在这种情况下，肝病预测模型就变得越来越重要。
目前，基于机器学习的肝病预测模型成为热门的研究领域之一。
机器学习技术是一种可用于自主学习的人工智能技术。
其优点是能够迅速处理大量数据并帮助预测疾病的发生和发展的可能性。
机器学习的应用范围非常广泛，涵盖疾病预测、图像和语言处理、自动驾驶、金融交易等多个方面。
特别是在医疗领域，机器学习成为了协助医生进行疾病预测和筛查的新方法。
在构建肝病预测模型时，机器学习可以从多个方面分析和预测肝病风险。
例如，机器学习可以通过分析血液检查和影像学检查来识别肝病发生和发展的可能性。
机器学习还可以使用监督学习算法，根据以往的医疗数据来帮助预测未来的肝病发展趋势。
此外，机器学习还可以使用强化学习算法，在不同的策略中寻找最优的肝病预测模型，以帮助准确地预测肝病风险。
机器学习可以同时处理多个因素来进行肝病预测。
例如，机器学习可以使用特征选择方法，选择与肝病发展相关的因素，并从大量的生命体征和临床数据中提取这些因素。
这些因素包括血清蛋白、体重指数、血压、血糖和脂肪代谢等。
根据这些因素，机器学习可以计算出一个预测模型，并使用这个预测模型来预测未来发生肝病的可能性。
目前，机器学习技术已经在肝病预测中取得了许多成功。
例如，一些研究者使用机器学习算法预测了急性肝炎的诊断结果。
他们使用了支持向量机、逻辑回归和随机森林等多种机器学习方法进行预测分析，可以得出高准确率和高灵敏度的预测结果。
此外，还有一些研究者利用预测模型来预测肝硬化的进展和肝癌的风险。
当然，机器学习技术也存在一些问题，例如数据质量不充分、数据偏差、过度拟合等。
要克服这些问题，需要科学家们不断改进和优化机器学习算法，并且需要更多的数据来验证和优化模型。
基于人工智能的肝脏疾病诊断与治疗研究
基于人工智能的肝脏疾病诊断与治疗研究肝脏疾病是指肝脏发生各种疾病的统称。
肝脏因为它的重要性而被称为“人体工厂”，主要负责体内代谢、蛋白质和其他关键化学物质的生产、排毒和能量储存等功能。
然而，由于生活方式、基因和病毒等多种因素的影响，肝脏可能遭受多种疾病，例如脂肪肝、乙型肝炎、丙型肝炎和肝癌等。
这些疾病的早期诊断和治疗可以有效地避免肝脏损伤和衰竭，从而挽救病人的生命甚至延长寿命。
传统上，影像学、病理学和生化检查是诊断肝脏疾病的主要手段，这些技术有很多限制，如缺乏准确性、低敏感性和高费用等。
与传统方法不同，人工智能技术可以通过大数据、机器学习和深度学习等手段实现高效、准确的肝脏疾病诊断和治疗。
在此基础上，本文将介绍人工智能技术在肝脏疾病诊断和治疗领域的应用和挑战。
人工智能在肝脏疾病诊断中的应用人工智能技术在肝脏疾病诊断中主要包括图像识别、算法诊断和机器学习等方面的应用。
图像识别是指利用计算机对医学图像进行自动化处理和分析的技术。
该技术可以为医生提供准确、快速的肝脏疾病诊断和治疗。
例如，计算机辅助诊断（CAD）是一种常见的图像识别技术，它可以针对肝脏CT扫描图像进行高效的分析和诊断。
在诊断肝癌和其他肝脏疾病方面，CAD比医生更精确，能够在提高敏感性的同时降低虚假阳性率，从而减少临床错误和减轻医生的工作压力。
算法诊断是一种基于肝脏疾病数据和知识建立数学模型，以预测疾病诊断和治疗的方法。
算法模型可以紧密结合临床数据并运用机器学习技术自动更新相关数据模型。
例如，机器学习算法的应用可以更好地判断肝炎患者的疾病进展和治疗方案，提供更准确的诊断和治疗建议。
此外，基于算法诊断的研究还可以为肝脏疾病制定更具针对性和个性化的治疗方案，从而最大程度上增加患者的生存率和提高生活质量。
机器学习主要用来从大量的肝脏疾病数据中挖掘出其中的隐含规律和分类依据。
肝脏疾病的数据可以来自临床资料、疾病图像和肝脏样本等多个渠道。
在过去的研究中，机器学习技术已被应用于预测肝癌和非酒精性脂肪性肝炎等疾病的发展。
机器学习_Liver Disorders Data Set(肝损伤数据集)
Liver Disorders Data Set(肝损伤数据集)数据摘要：A Medical Research Ltd. database donated by Richard S. Forsyth中文关键词：机器学习,肝损伤,多变量,UCI,英文关键词：Machine Learning,Liver Disorders,MultiVarite,UCI,数据格式：TEXT数据用途：This is a medical data set.数据详细介绍：Liver Disorders Data SetAbstract: BUPA Medical Research Ltd. database donated by Richard S. Forsyth.Source:Creators:BUPA Medical Research Ltd.Donor:Richard S. Forsyth8 Grosvenor AvenueMapperley ParkNottingham NG3 5DX0602-621676Data Set Information:The first 5 variables are all blood tests which are thought to be sensitive to liver disorders that might arise from excessive alcohol consumption. Each line in the bupa.data file constitutes the record of a single male individual.It appears that drinks>5 is some sort of a selector on this database. See the PC/BEAGLE User's Guide for more information.Attribute Information:1. mcv mean corpuscular volume2. alkphos alkaline phosphotase3. sgpt alamine aminotransferase4. sgot aspartate aminotransferase5. gammagt gamma-glutamyl transpeptidase6. drinks number of half-pint equivalents of alcoholic beverages drunk per day7. selector field used to split data into two setsRelevant Papers:PC/BEAGLE User's Guide (written by Richard S. Forsyth).数据预览：点此下载完整数据集。
机器学习_Breast Cancer Wisconsin (Diagnostic) Data Set((诊断)数据集)
Breast Cancer Wisconsin (Diagnostic) Data Set((诊断)数据集)数据摘要：Diagnostic Wisconsin Breast Cancer Database中文关键词：机器学习,多变量,分类,UCI,威斯康星,乳腺癌,英文关键词：Machine Learning,MultiVarite,Classification,UCI,BreastCancer,Wisconsin,数据格式：TEXT数据用途：Classification, Regression数据详细介绍：Breast Cancer Wisconsin (Diagnostic) Data SetAbstract: Diagnostic Wisconsin Breast Cancer DatabaseSource:Creators:1. Dr. William H. Wolberg, General Surgery Dept.University of Wisconsin, Clinical Sciences CenterMadison, WI 53792wolberg '@' 2. W. Nick Street, Computer Sciences Dept.University of Wisconsin, 1210 West Dayton St., Madison, WI 53706street '@' 608-262-66193. Olvi L. Mangasarian, Computer Sciences Dept.University of Wisconsin, 1210 West Dayton St., Madison, WI 53706olvi '@' Donor:Nick StreetData Set Information:Features are computed from a digitized image of a fine needle aspirate (FNA) of a breast mass. They describe characteristics of the cell nuclei present in the image. A few of the images can be found at [Web Link]Separating plane described above was obtained using Multisurface Method-Tree (MSM-T) [K. P. Bennett, "Decision Tree Construction Via Linear Programming." Proceedings of the 4th Midwest Artificial Intelligence and Cognitive Science Society, pp. 97-101, 1992], a classification method which uses linear programming to construct a decision tree. Relevant features were selected using an exhaustive search in the space of 1-4 features and 1-3separating planes.The actual linear program used to obtain the separating plane in the 3-dimensional space is that described in: [K. P. Bennett and O. L. Mangasarian: "Robust Linear Programming Discrimination of Two Linearly Inseparable Sets", Optimization Methods and Software 1, 1992, 23-34].This database is also available through the UW CS ftp server:ftp cd math-prog/cpo-dataset/machine-learn/WDBC/Attribute Information:1) ID number2) Diagnosis (M = malignant, B = benign)3-32)Ten real-valued features are computed for each cell nucleus:a) radius (mean of distances from center to points on the perimeter)b) texture (standard deviation of gray-scale values)c) perimeterd) areae) smoothness (local variation in radius lengths)f) compactness (perimeter^2 / area - 1.0)g) concavity (severity of concave portions of the contour)h) concave points (number of concave portions of the contour)i) symmetryj) fractal dimension ("coastline approximation" - 1)Relevant Papers:First Usage:W.N. Street, W.H. Wolberg and O.L. Mangasarian. Nuclear feature extraction for breast tumor diagnosis. IS&T/SPIE 1993 International Symposium on Electronic Imaging: Science and Technology, volume 1905, pages 861-870, San Jose, CA, 1993.[Web Link]O.L. Mangasarian, W.N. Street and W.H. Wolberg. Breast cancer diagnosis and prognosis via linear programming. Operations Research, 43(4), pages 570-577, July-August 1995.[Web Link]Medical literature:W.H. Wolberg, W.N. Street, and O.L. Mangasarian. Machine learning techniques to diagnose breast cancer from fine-needle aspirates. Cancer Letters 77 (1994) 163-171.[Web Link]W.H. Wolberg, W.N. Street, and O.L. Mangasarian. Image analysis and machine learning applied to breast cancer diagnosis and prognosis. Analytical and Quantitative Cytology and Histology, Vol.17 No. 2, pages 77-87, April 1995.W.H. Wolberg, W.N. Street, D.M. Heisey, and O.L. Mangasarian. Computerized breast cancer diagnosis and prognosis from fine needle aspirates. Archives of Surgery 1995;130:511-516. [Web Link]W.H. Wolberg, W.N. Street, D.M. Heisey, and O.L. Mangasarian. Computer-derived nuclear features distinguish malignant from benign breast cytology. Human Pathology, 26:792--796, 1995. [Web Link]数据预览：842302,M,17.99,10.38,122.8,1001,0.1184,0.2776,0.3001,0.1471,0.2419,0.0 7871,1.095,0.9053,8.589,153.4,0.006399,0.04904,0.05373,0.01587,0.0300 3,0.006193,25.38,17.33,184.6,2019,0.1622,0.6656,0.7119,0.2654,0.4601,0. 1189842517,M,20.57,17.77,132.9,1326,0.08474,0.07864,0.0869,0.07017,0.1812, 0.05667,0.5435,0.7339,3.398,74.08,0.005225,0.01308,0.0186,0.0134,0.013 89,0.003532,24.99,23.41,158.8,1956,0.1238,0.1866,0.2416,0.186,0.275,0.0 890284300903,M,19.69,21.25,130,1203,0.1096,0.1599,0.1974,0.1279,0.2069,0.0 5999,0.7456,0.7869,4.585,94.03,0.00615,0.04006,0.03832,0.02058,0.0225, 0.004571,23.57,25.53,152.5,1709,0.1444,0.4245,0.4504,0.243,0.3613,0.08 75884348301,M,11.42,20.38,77.58,386.1,0.1425,0.2839,0.2414,0.1052,0.2597, 0.09744,0.4956,1.156,3.445,27.23,0.00911,0.07458,0.05661,0.01867,0.059 63,0.009208,14.91,26.5,98.87,567.7,0.2098,0.8663,0.6869,0.2575,0.6638,0 .17384358402,M,20.29,14.34,135.1,1297,0.1003,0.1328,0.198,0.1043,0.1809,0. 05883,0.7572,0.7813,5.438,94.44,0.01149,0.02461,0.05688,0.01885,0.017 56,0.005115,22.54,16.67,152.2,1575,0.1374,0.205,0.4,0.1625,0.2364,0.076 78843786,M,12.45,15.7,82.57,477.1,0.1278,0.17,0.1578,0.08089,0.2087,0.07 613,0.3345,0.8902,2.217,27.19,0.00751,0.03345,0.03672,0.01137,0.02165, 0.005082,15.47,23.75,103.4,741.6,0.1791,0.5249,0.5355,0.1741,0.3985,0.1 244844359,M,18.25,19.98,119.6,1040,0.09463,0.109,0.1127,0.074,0.1794,0.05 742,0.4467,0.7732,3.18,53.91,0.004314,0.01382,0.02254,0.01039,0.01369, 0.002179,22.88,27.66,153.2,1606,0.1442,0.2576,0.3784,0.1932,0.3063,0.0 836884458202,M,13.71,20.83,90.2,577.9,0.1189,0.1645,0.09366,0.05985,0.2196 ,0.07451,0.5835,1.377,3.856,50.96,0.008805,0.03029,0.02488,0.01448,0.0 1486,0.005412,17.06,28.14,110.6,897,0.1654,0.3682,0.2678,0.1556,0.3196 ,0.1151844981,M,13,21.82,87.5,519.8,0.1273,0.1932,0.1859,0.09353,0.235,0.0738 9,0.3063,1.002,2.406,24.32,0.005731,0.03502,0.03553,0.01226,0.02143,0. 003749,15.49,30.73,106.2,739.3,0.1703,0.5401,0.539,0.206,0.4378,0.1072 84501001,M,12.46,24.04,83.97,475.9,0.1186,0.2396,0.2273,0.08543,0.203, 0.08243,0.2976,1.599,2.039,23.94,0.007149,0.07217,0.07743,0.01432,0.01 789,0.01008,15.09,40.68,97.65,711.4,0.1853,1.058,1.105,0.221,0.4366,0.2 075845636,M,16.02,23.24,102.7,797.8,0.08206,0.06669,0.03299,0.03323,0.152 8,0.05697,0.3795,1.187,2.466,40.51,0.004029,0.009269,0.01101,0.007591, 0.0146,0.003042,19.19,33.88,123.8,1150,0.1181,0.1551,0.1459,0.09975,0. 2948,0.0845284610002,M,15.78,17.89,103.6,781,0.0971,0.1292,0.09954,0.06606,0.1842, 0.06082,0.5058,0.9849,3.564,54.16,0.005771,0.04061,0.02791,0.01282,0.0 2008,0.004144,20.42,27.28,136.5,1299,0.1396,0.5609,0.3965,0.181,0.3792 ,0.1048846226,M,19.17,24.8,132.4,1123,0.0974,0.2458,0.2065,0.1118,0.2397,0.07 8,0.9555,3.568,11.07,116.2,0.003139,0.08297,0.0889,0.0409,0.04484,0.01 284,20.96,29.94,151.7,1332,0.1037,0.3903,0.3639,0.1767,0.3176,0.1023 846381,M,15.85,23.95,103.7,782.7,0.08401,0.1002,0.09938,0.05364,0.1847 ,0.05338,0.4033,1.078,2.903,36.58,0.009769,0.03126,0.05051,0.01992,0.0 2981,0.003002,16.84,27.66,112,876.5,0.1131,0.1924,0.2322,0.1119,0.2809 ,0.0628784667401,M,13.73,22.61,93.6,578.3,0.1131,0.2293,0.2128,0.08025,0.2069, 0.07682,0.2121,1.169,2.061,19.21,0.006429,0.05936,0.05501,0.01628,0.01 961,0.008093,15.03,32.01,108.8,697.7,0.1651,0.7725,0.6943,0.2208,0.359 6,0.143184799002,M,14.54,27.54,96.73,658.8,0.1139,0.1595,0.1639,0.07364,0.2303 ,0.07077,0.37,1.033,2.879,32.55,0.005607,0.0424,0.04741,0.0109,0.01857, 0.005466,17.46,37.13,124.1,943.2,0.1678,0.6577,0.7026,0.1712,0.4218,0.1 341848406,M,14.68,20.13,94.74,684.5,0.09867,0.072,0.07395,0.05259,0.1586, 0.05922,0.4727,1.24,3.195,45.4,0.005718,0.01162,0.01998,0.01109,0.0141,0.002085,19.07,30.88,123.4,1138,0.1464,0.1871,0.2914,0.1609,0.3029,0.0 821684862001,M,16.13,20.68,108.1,798.8,0.117,0.2022,0.1722,0.1028,0.2164,0 .07356,0.5692,1.073,3.854,54.18,0.007026,0.02501,0.03188,0.01297,0.016 89,0.004142,20.96,31.48,136.8,1315,0.1789,0.4233,0.4784,0.2073,0.3706, 0.1142849014,M,19.81,22.15,130,1260,0.09831,0.1027,0.1479,0.09498,0.1582,0.0 5395,0.7582,1.017,5.865,112.4,0.006494,0.01893,0.03391,0.01521,0.0135 6,0.001997,27.32,30.88,186.8,2398,0.1512,0.315,0.5372,0.2388,0.2768,0.0 76158510426,B,13.54,14.36,87.46,566.3,0.09779,0.08129,0.06664,0.04781,0.18 85,0.05766,0.2699,0.7886,2.058,23.56,0.008462,0.0146,0.02387,0.01315,0 .0198,0.0023,15.11,19.26,99.7,711.2,0.144,0.1773,0.239,0.1288,0.2977,0.0 72598510653,B,13.08,15.71,85.63,520,0.1075,0.127,0.04568,0.0311,0.1967,0.0 6811,0.1852,0.7477,1.383,14.67,0.004097,0.01898,0.01698,0.00649,0.016 78,0.002425,14.5,20.49,96.09,630.5,0.1312,0.2776,0.189,0.07283,0.3184,0 .081838510824,B,9.504,12.44,60.34,273.9,0.1024,0.06492,0.02956,0.02076,0.181 5,0.06905,0.2773,0.9768,1.909,15.7,0.009606,0.01432,0.01985,0.01421,0. 02027,0.002968,10.23,15.66,65.13,314.9,0.1324,0.1148,0.08867,0.06227,0 .245,0.077738511133,M,15.34,14.26,102.5,704.4,0.1073,0.2135,0.2077,0.09756,0.2521, 0.07032,0.4388,0.7096,3.384,44.91,0.006789,0.05328,0.06446,0.02252,0.0 3672,0.004394,18.07,19.08,125.1,980.9,0.139,0.5954,0.6305,0.2393,0.466 7,0.09946851509,M,21.16,23.04,137.2,1404,0.09428,0.1022,0.1097,0.08632,0.1769,0 .05278,0.6917,1.127,4.303,93.99,0.004728,0.01259,0.01715,0.01038,0.010 83,0.001987,29.17,35.59,188,2615,0.1401,0.26,0.3155,0.2009,0.2822,0.07 526852552,M,16.65,21.38,110,904.6,0.1121,0.1457,0.1525,0.0917,0.1995,0.06 33,0.8068,0.9017,5.455,102.6,0.006048,0.01882,0.02741,0.0113,0.01468,0 .002801,26.46,31.56,177,2215,0.1805,0.3578,0.4695,0.2095,0.3613,0.0956 4852631,M,17.14,16.4,116,912.7,0.1186,0.2276,0.2229,0.1401,0.304,0.0741 3,1.046,0.976,7.276,111.4,0.008029,0.03799,0.03732,0.02397,0.02308,0.0 07444,22.25,21.4,152.4,1461,0.1545,0.3949,0.3853,0.255,0.4066,0.1059 852763,M,14.58,21.53,97.41,644.8,0.1054,0.1868,0.1425,0.08783,0.2252,0 .06924,0.2545,0.9832,2.11,21.05,0.004452,0.03055,0.02681,0.01352,0.014 54,0.003711,17.62,33.21,122.4,896.9,0.1525,0.6643,0.5539,0.2701,0.4264, 0.1275852781,M,18.61,20.25,122.1,1094,0.0944,0.1066,0.149,0.07731,0.1697,0.0 5699,0.8529,1.849,5.632,93.54,0.01075,0.02722,0.05081,0.01911,0.02293, 0.004217,21.31,27.26,139.9,1403,0.1338,0.2117,0.3446,0.149,0.2341,0.07421852973,M,15.3,25.27,102.4,732.4,0.1082,0.1697,0.1683,0.08751,0.1926,0. 0654,0.439,1.012,3.498,43.5,0.005233,0.03057,0.03576,0.01083,0.01768,0 .002967,20.27,36.71,149.3,1269,0.1641,0.611,0.6335,0.2024,0.4027,0.098 76853201,M,17.57,15.05,115,955.1,0.09847,0.1157,0.09875,0.07953,0.1739,0 .06149,0.6003,0.8225,4.655,61.1,0.005627,0.03033,0.03407,0.01354,0.019 25,0.003742,20.01,19.52,134.9,1227,0.1255,0.2812,0.2489,0.1456,0.2756, 0.07919853401,M,18.63,25.11,124.8,1088,0.1064,0.1887,0.2319,0.1244,0.2183,0.0 6197,0.8307,1.466,5.574,105,0.006248,0.03374,0.05196,0.01158,0.02007, 0.00456,23.15,34.01,160.5,1670,0.1491,0.4257,0.6133,0.1848,0.3444,0.09 782853612,M,11.84,18.7,77.93,440.6,0.1109,0.1516,0.1218,0.05182,0.2301,0. 07799,0.4825,1.03,3.475,41,0.005551,0.03414,0.04205,0.01044,0.02273,0. 005667,16.82,28.12,119.4,888.7,0.1637,0.5775,0.6956,0.1546,0.4761,0.14 0285382601,M,17.02,23.98,112.8,899.3,0.1197,0.1496,0.2417,0.1203,0.2248, 0.06382,0.6009,1.398,3.999,67.78,0.008268,0.03082,0.05042,0.01112,0.02 102,0.003854,20.88,32.09,136.1,1344,0.1634,0.3559,0.5588,0.1847,0.353, 0.08482854002,M,19.27,26.47,127.9,1162,0.09401,0.1719,0.1657,0.07593,0.1853,0 .06261,0.5558,0.6062,3.528,68.17,0.005015,0.03318,0.03497,0.009643,0.0 1543,0.003896,24.15,30.9,161.4,1813,0.1509,0.659,0.6091,0.1785,0.3672, 0.1123854039,M,16.13,17.88,107,807.2,0.104,0.1559,0.1354,0.07752,0.1998,0.06 515,0.334,0.6857,2.183,35.03,0.004185,0.02868,0.02664,0.009067,0.0170 3,0.003817,20.21,27.26,132.7,1261,0.1446,0.5804,0.5274,0.1864,0.427,0.1 233854253,M,16.74,21.59,110.1,869.5,0.0961,0.1336,0.1348,0.06018,0.1896,0 .05656,0.4615,0.9197,3.008,45.19,0.005776,0.02499,0.03695,0.01195,0.02 789,0.002665,20.01,29.02,133.5,1229,0.1563,0.3835,0.5409,0.1813,0.4863 ,0.08633854268,M,14.25,21.72,93.63,633,0.09823,0.1098,0.1319,0.05598,0.1885,0. 06125,0.286,1.019,2.657,24.91,0.005878,0.02995,0.04815,0.01161,0.0202 8,0.004022,15.89,30.36点此下载完整数据集。
机器学习在非酒精性脂肪肝预测中的应用
机器学习在非酒精性脂肪肝预测中的应用
蔡偌欣;马亚楠;闻德亮
【期刊名称】《中国卫生统计》
【年(卷),期】2024(41)2
【摘要】非酒精性脂肪肝(nonalcoholic fatty liver disease,NAFLD)是全球最常见的慢性肝病,普通成人NAFLD患病率在6.3%~45%,我国内地一般人群中患病率为29.81%,在肥胖和2型糖尿病人群中发病率更高,会高达90%。
通过运用典型机器学习算法来构建非酒精性脂肪肝的风险预测模型,在肝病研究领域中是比较先进的。
本文所归纳的7种典型机器学习算法在数据挖掘领域中是比较成熟且稳定的,在各项数据研究当中,基于预测结果的准确率,验证了各个模型的有效性和可行性,为脂肪肝疾病预测提供了基于数据科学的研究方法。
【总页数】3页(P316-318)
【作者】蔡偌欣;马亚楠;闻德亮
【作者单位】中国医科大学健康科学研究院;中国医科大学公共卫生学院
【正文语种】中文
【中图分类】R575.5
【相关文献】
1.血清非高密度脂蛋白胆固醇测定在非酒精性脂肪肝中的应用
2.肝功能指标和血脂指标检测在酒精性脂肪肝和非酒精性脂肪肝患者鉴别诊断中的应用价值
3.血生化
检查在鉴别诊断酒精性脂肪肝与非酒精性脂肪肝中的应用价值4.非酒精性脂肪肝中内皮功能障碍及心血管疾病的风险性预测
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Liver Disorders Data Set(肝损伤数据集)
数据摘要：
A Medical Research Ltd. database donated by Richard S. Forsyth
中文关键词：
机器学习,肝损伤,多变量,UCI,
英文关键词：
Machine Learning,Liver Disorders,MultiVarite,UCI,
数据格式：
TEXT
数据用途：
This is a medical data set.
数据详细介绍：
Liver Disorders Data Set
Abstract: BUPA Medical Research Ltd. database donated by Richard S. Forsyth.
Source:
Creators:
BUPA Medical Research Ltd.
Donor:
Richard S. Forsyth
8 Grosvenor Avenue
Mapperley Park
Nottingham NG3 5DX
0602-621676
Data Set Information:
The first 5 variables are all blood tests which are thought to be sensitive to liver disorders that might arise from excessive alcohol consumption. Each line in the bupa.data file constitutes the record of a single male individual.
It appears that drinks>5 is some sort of a selector on this database. See the PC/BEAGLE User's Guide for more information.
Attribute Information:
1. mcv mean corpuscular volume
2. alkphos alkaline phosphotase
3. sgpt alamine aminotransferase
4. sgot aspartate aminotransferase
5. gammagt gamma-glutamyl transpeptidase
6. drinks number of half-pint equivalents of alcoholic beverages drunk per day
7. selector field used to split data into two sets
Relevant Papers:
PC/BEAGLE User's Guide (written by Richard S. Forsyth).
数据预览：
点此下载完整数据集。