應用整合式多階段分類模式於肝臟疾病的患者預測之研究

李岳樺; 沈湘莉; 呂奇傑; 周茂振

doi:10.6338/JDA.202210_17(3).0001

山西大学，您好！

感谢采购，人社期刊库｜人社论文库，期间：2025/01/01~2025/12/31

感谢试用，科学期刊库｜科学论文库，期间：2024/10/20~2025/01/20

浏览高级检索

关闭
检索检索高级检索出版物检索
浏览期刊主题浏览核心期刊浏览期刊拼音浏览

关闭

查询符号(半角)	查询符号意义说明
空格	表示为「AND」两个查询词之交集
双引号 ( " " )	片语以双引号标示开始及结束，而且只寻找出现顺序相同的字词，例： " image process "
?	表示一个字母切截，输入两个?表两个字母，依此类推，例：输入「Appl?」，查得结果应为appl e , appl y … ( 常用于英文字查询 )
*	表示不限字母切截，由0~n. 例：输入「appl*」，查得结果应为appl e , appl es , appl y , appl ied , appl ication … ( 常用于英文字查询 )
AND、OR、NOT	布尔逻辑组合关键字，用来扩大或缩小查询范围的技巧。 (1) AND ：缩小查询范围 (2) OR ：扩大查询范围(3) NOT：排除不相关的范围

DOI 是数位物件识别码（ D igital O bject I dentifier ）的简称，
为物件在网路上的唯一识别码，可用于永久连结并引用目标物件。

使用DOI作为永久连结

每个DOI号前面加上「 http://dx.doi.org/ 」便成为永久网址。
如以DOI号为 10.5297/ser.1201.002 的文献为例，此文献的永久连结便是： http://dx.doi.org/ 10.5297/ser.1201.002 。
日后不论出版单位如何更动此文献位置，永久连结所指向的位置皆会即时更新，不再错失重要的研究。

引用含有DOI的文献

有DOI的文献在引用时皆应同时引用DOI。若使用APA、Chicago以外未规范DOI的引用格式，可引用DOI永久连结。

DOI可强化引用精确性、增强学术圈连结，并给予使用者跨平台的良好使用经验，目前在全世界已有超过五千万个对象申请DOI。如想对DOI的使用与概念有进一步了解，请参考（）。

ACI:

数据来源：Academic Citation Index，简称ACI

台湾最大的引用文献资料库，目前收录台湾与港澳地区所出版的人文学、社会学领域学术期刊之书目资料与参考文献，总期刊量超过690种，每年定期公布收录期刊的影响指数(Impact Factor)等指标给大众，并提供专家学者与学术单位实用的计量与分析功能。

五年影响指数（5-Year Impact Factor）：某一期刊前五年所出版的文章在当年度的平均被引用次数。

公式：（前五年发表论文在统计年的被引用次数）÷（前五年论文产出论文总篇数）

例如：A期刊2017年之五年影响指数

(A期刊2012-2016年发表论文在2017年的被引总次数)/(A期刊2012-2016年发表的论文总数)

什么是预刊文章？

为提供读者最前线之学术资讯，于期刊文献获同意刊登后、纸本印制完成前，率先于网路线上发表之文章即为预刊文章。预刊文章尚未有卷期、页次及出版日期资讯，但可藉由DOI号识别。 DOI号是文献的数位身份证字号，不论预刊或正式出版皆不会改变，读者可点击DOI连结，或于DOI号前面加上「 http://dx.doi.org/ 」连结到文献目前最新版本。

如何引用预刊文章？

请使用预刊文章的线上发表日期及DOI号来引用该篇文献。

引用范例(视不同引文格式规范可能有所差异)：

作者姓名。文章篇名。期刊名称。 YYYY/MM/DD线上预先发表。

doi:DOI 号

来源数据

P1 - 16

基础与应用科学 > 资讯科学
基础与应用科学 > 统计
社会科学 > 管理学

DOI： 10.6338/JDA

书目管理工具

相关连结

问题回报

全文下载

应用整合式多阶段分类模式於肝脏疾病的患者预测之研究

APPLICATION OF INTEGRATED MULTI-STAGE CLASSIFICATION MODEL TO THE PREDICTION OF LIVER DISEASE PATIENTS

李岳桦(Yueh-Hua Lee) ；沈湘莉(Hsiang-Li Shen) ；吕奇杰(Chi-Jie Lu) ；周茂振(Mao-Jhen Jhou)

Journal of Data Analysis ； 17 卷 3 期 (2022 / 10 / 01) ， P1 - 16

繁体中文 DOI： 10.6338/JDA.202210_17(3).0001

肝脏疾病；特徵选取；资料不平衡；整合式预测模式； liver disease ； feature selection ； data imbalance ； integrated prediction model

0 个人觉得这篇文章赞

摘要 │ 参考文献 (34) │ 国际计量

摘要〈TOP〉

并列摘要〈TOP〉

Liver disease is a complex disease caused by many reasons. Due to the subtle symptoms of liver patients, it is difficult to diagnose at an early stage. The accumulation of fat in liver cells may be related to important chronic diseases such as metabolic syndrome, cardiovascular disease, and type 2 diabetes. The accumulation of fat in liver cells may be related to important chronic diseases such as metabolic syndrome, cardiovascular disease, and type 2 diabetes. In many literatures on liver disease prediction, the use of machine learning technology to construct liver disease prediction models has been widely used in liver issues. However, there are many risk factors affecting liver disease, and the data composition structure has a class imbalance problem. In order to construct a valid prediction model, this study used empirical data of the Indian liver disease data to this study to construct an integrated prediction framework. In this prediction framework, the logistic regression (LR), support vector machine (SVM), multivariate adaptive regression splines (MARS), and eXtreme Gradient Boosting (XGBoost) for classification technology in machine learning are applied; embedded method (Lasso) and filter method in feature selection technology; oversampling method (Over), synthetic data generation method (SDG) processing data imbalance technology to construct a prediction model, and carry out the results of the proposed integrated model and simple model compare. The empirical results show that regardless of the data cutting ratio, the prediction results of the proposed integrated prediction model are better than those of the simple prediction model. And it can be seen from the best model that feature selection after data imbalance technology can effectively improve prediction performance, and the proposed model can effectively construct a prediction model for liver disease.

参考文献 ( 34 ) 〈TOP〉

Abdar, M.,Zomorodi-Moghadam, M.,Das, R.,Ting, I. H.(2017).Performance analysis of classification algorithms on early detection of liver disease.Expert Systems with Applications,67,239-251.
Açıkoğlu, M.,Tuncer, S. A.(2020).Incorporating feature selection methods into a machine learning-based neonatal seizure diagnosis.Medical hypotheses,135,109464.
Andrade, A.,Silva, J. S.,Santos, J.,Belo-Soares. P.(2012).Classifier approaches for liver steatosis using ultrasound images.Procedia Technology,5,763-770.
Araújo, A. R.,Rosso, N.,Bedogni, G.,Tiribelli, C.,Bellentani, S.(2018).Global epidemiology of non-alcoholic fatty liver disease/non-alcoholic steatohepatitis: What we need in the future.Liver international: official journal of the International Association for the Study of the Liver,38(Suppl 1),47-51.
Bidi, N.,Elberrichi, Z.(2016).Feature selection for text classification using genetic algorithms.Proceedings of the 2016 8th International Conference on Modelling, Identification and Control (ICMIC),Algiers, Algeria:

国际计量

〈TOP〉

E-mail ：

文章公开取用时，将寄通知信至您填写的信箱地址