臺灣博碩士論文加值系統

近年來，社會的快速變遷，民眾為求便利易攝取一些高脂肪及低纖維的食物，攝取過多會造成大腸黏膜有刺激作用，這些刺激作用容易使大腸消化系統阻塞。根據行政院衛生署統計結果，顯示國人得到結腸、直腸癌(又稱大腸癌)的人數有逐年增加的趨勢，從1996年的2642人至2009年的4531人，因此，大腸癌對國人的影響已經不容忽視了。
本研究運用資料探勘的技術，以某醫學中心的全身健康檢查資料為樣本，探討全身健康檢查資料與大腸癌疾病的關聯性，並建構大腸癌預測模型。建構預測模型分成兩個階段(一)運用健康檢查資料分別使用區別分析及Logistic迴歸分析，從健檢資料中篩選出大腸癌重要危險因子。(二)將階段(一)所獲得的重要危險因子作為自變項，分別運用類神經網路及支援向量機建構罹患大腸癌的預測模型。
研究結果顯示，以相關Logistic迴歸分析結合支援向量機所建構的模型預測大腸癌罹患較準確，平均準確度為88.60%，敏感度及特異度分別為87.32%及75.76%，然而，以區別分析結合支援向量機所建構的模型較不受樣本資料中正常與異常比率懸殊影響，平均準確度為77.45%，敏感度及特異度分別為76.53%及76.50%。

關鍵字：全身健康檢查、資料探勘、區別分析、Logistic迴歸、類神經網路、支援向量機、大腸癌

In recent years, with the rapid change of the society, for the sake of convenience and easy, people started to take high fat and low fiber food. However, excessive intake can cause colon mucosa and have stimulating effect, which will stimulate the digestive system and tends to block the large intestine. According to DOH statistics results, showed that number of people getting colon cancer (also known as colorectal cancer) tend to increasing over the years. From 2462 of year 1996 to 4531 of year 2009.Therefore, the impact of colorectal cancer is in negligible.

This study uses Data mining techniques, taking a medical center’s general health check information for sample. Our goal is to explore the correlations between physical examination data and disease associated with colorectal cancer. Also, we build a colorectal cancer predictive model. The construction of predictive model is divided into two stages, (1) by using difference and Logistic regression analysis methods; we sift out the important risk factors for the colon cancer from the health check data. (2) we set the important risk factors acquired from stage one as independent variables, and apply the neural networks and support vector machine to construct the colorectal cancer prediction model.

The results show that, the model built with correlation Logistic Regression combined with Support Vector Machines prediction is more accurate, the average mean accuracy is 88.60%, and sensitivity and specificity were 87.32% and 75.76%. However, the model built with Discriminant Analysis combined with the best Support Vector Machines is less affected by the ratio of the normal and abnormal data in the sample, the mean accuracy of 77.45%, sensitivity and specificity were76.53% and 76.50%.

Keywords：Physical examination, Discriminant Analysis, Logistic Regression, Artificial Neural Networks, Support Vector Machines, Colorectal cancer

誌謝 I
摘要 II
ABSTRACT III
目錄 IV
圖目錄 VIII
表目錄 IX
第一章、緒論 1
1.1 研究背景與動機 1
1.2 研究目的 5
1.3 論文架構 5
1.4研究範圍及限制 7
第二章、文獻探討 8
2.1大腸癌的介紹與相關研究 8
2.1.1 大腸癌的危險因子 9
2.1.2 大腸癌的篩檢與診斷 12
2.1.3大腸癌分期 15
2.2健康檢查重要性及檢查項目 18
2.3資料探勘的方法 21
2.3.1資料探勘方法應用於特徵選取 23
2.3.2資料探勘方法應用於預測 26
2.3.3 資料探勘方法於醫療上的應用 27
2.3.4 資料探勘方法於大腸癌上的應用 30
2.3.5 交互驗證法(Cross-validation) 33
2.3.6區別分析(Discriminate Analysis) 34
2.3.7 Logistic迴歸(Logistic Regression) 35
2.3.8 類神經網路(Artificial Neural Networks) 37
2.3.9支援向量機(Support Vector Machine) 42
2.4 績效評估方法 45
2.4.1準確度、敏感度及特異度 45
2.4.2 ROC曲線檢定(Receiver Operating Characteristic) 46
第三章、研究方法 48
3.1研究架構與步驟 48
3.1.1研究流程圖 50
3.2健檢資料蒐集與前置處理 51
3.3危險因子篩選 52
3.3.1 Logistic迴歸篩選重要因子 54
3.3.2 Logistic迴歸篩選重要因子之相關性分析 56
3.3.3 區別分析篩選重要因子 57
3.3.4區別分析篩選重要因子之相關性分析 60
3.3.5 Logistic迴歸分析與區別分析彙整(不刪除相關性因子) 61
3.3.6 Logistic迴歸分析與區別分析彙整(刪除相關性因子 ) 63
3.4 建構預測模型 65
3.4.1 K疊交互驗證法(K-fold Cross-validation) 66
3.4.2類神經網路 67
3.4.3支援向量機 70
3.5 績效衡量指標 71
3.5.1 準確度、敏感度及特異度 72
第四章、模型建構與結果分析 74
4.1建構預測模型 74
4.1.1 LOG-BNF與相關LOG-BNF預測模型建構 75
4.1.2 DIS-BNF與相關DIS-BNF預測模型建構 79
4.1.3 DIS-SVM與相關DIS-SVM預測模型建構 83
4.1.4 LOG-SVM與相關LOG-SVM預測模型建構 86
4.2 探討最佳預測模型 89
4.2.1 LOG-BNF混淆矩陣 89
4.2.2相關LOG-BNF混淆矩陣 90
4.2.3 DIS-BNF混淆矩陣 90
4.2.4相關DIS-BNF混淆矩陣 91
4.2.5 DIS-SVM混淆矩陣 91
4.2.6相關DIS-SVM混淆矩陣 91
4.2.7 LOG-SVM混淆矩陣 92
4.2.8相關LOG-SVM混淆矩陣 92
4.3探討預測正確資料與預測錯誤資料 93
第五章、結論與未來研究方向 96
5.1結論 96
5.2 未來研究方向 98
參考文獻 99

圖目錄
圖1- 1 歷屆結腸直腸癌死亡人數...................................................................... 1
圖1- 2 研究流程................................................................................................... 6
圖2- 1 消化系統結構圖....................................................................................... 9
圖2- 2 資料探勘的步驟..................................................................................... 21
圖2- 3 特徵選取流程......................................................................................... 24
圖2- 4Logistic 曲線圖....................................................................................... 37
圖2- 5 類神經網路結構..................................................................................... 39
圖2- 6 類神經網路神經元結構......................................................................... 41
圖2- 7 支援向量機基本分群概念圖................................................................ 45
圖2- 8 ROC 曲線圖.......................................................................................... 47


表目錄
表1- 1 十大癌症死因..............................................................................................................................2
表2- 1 探討大腸癌危險因子之相關文獻........................................................ 12
表2- 2 腫瘤大小侵犯深度之分類.................................................................... 16
表2- 3 局部淋巴侵犯之分類............................................................................. 16
表2- 4 癌細胞遠端轉移狀況之分類................................................................ 16
表2- 5 大腸癌分期定義與存活率.................................................................... 17
表2- 6 應用健康檢查於慢性疾病分析之相關文獻........................................ 20
表2- 7 資料探勘演算法於特徵選取優缺點.................................................... 25
表2- 8 資料探勘演算法於預測模型優缺點.................................................... 26
表2- 9 資料探勘方法應用於癌症的相關文獻彙整........................................ 29
表2- 10 資料探勘應用於健檢與大腸癌之相關文獻彙整.............................. 32
表2- 11 類神經網路學習策略類型.................................................................. 39
表2- 12 混淆矩陣............................................................................................... 46
表3- 1 中部某醫學中心健檢資料研究變數.................................................... 51
表3- 2 篩選後變數的分類表............................................................................. 53
表3- 3 Logistic 迴歸重要危險因子.................................................................. 55
表3- 4 Logistic 迴歸所得因子之相關性分析.................................................. 56
表3- 5 Logistic 迴歸篩選出的重要危險因子.................................................. 57
表3- 6 Logistic 迴歸相關顯著危險因子.......................................................... 57
表3- 7 區別分析重要危險因子......................................................................... 58
表3- 8 區別分析所得因子之相關性分析........................................................ 60
表3- 9 區別分析相關顯著危險因子................................................................ 61
表3- 10 醫院檢查類型....................................................................................... 62
表3- 11 醫院檢查類型(刪除相關分析)............................................................ 64
表3- 12 訓練樣本及測試樣本分群.................................................................. 67
表3- 13 是否罹患大腸癌結果的實際與預測表.............................................. 72
表4- 1 LOG-BNF 與相關LOG-BNF 最佳K 疊劃分..................................... 75
表4- 2 LOG-BNF 與相關LOG-BNF 學習速率設定....................................... 76
表4- 3 LOG-BNF 準確度、敏感度及特異度................................................. 77
表4- 4 相關LOG-BNF 準確度、敏感度及特異度....................................... 78
表4- 5 DIS-BNF 與相關DIS-BNF 最佳K 疊劃分......................................... 79
表4- 6 DIS-BNF 學習速率................................................................................ 80
表4- 7 DIS-BNF 準確度、敏感度及特異度................................................... 81
表4- 8 相關DIS-BNF 準確度、敏感度及特異度......................................... 82
表4- 9 DIS-SVM 與相關DIS-SVM 最佳K 疊劃分........................................ 83
表4- 10 DIS-SVM 準確度、敏感度及特異度................................................. 84
表4- 11 相關DIS-SVM 準確度、敏感度及特異度........................................ 85
表4- 12 LOG-SVM 與相關LOG-SVM 最佳K 疊劃分.................................. 86
表4- 13 LOG-SVM 準確度、敏感度及特異度............................................... 87
表4- 14 相關LOG-SVM 準確度、敏感度及特異度...................................... 88
表4- 15 LOG-BNF 最佳樣本群混淆矩陣....................................................... 90
表4- 16 相關LOG-BNF 最佳樣本群混淆矩陣.............................................. 90
表4- 17 DIS-BNF 最佳樣本群混淆矩陣.......................................................... 90
表4- 18 相關DIS-BNF 最佳樣本群混淆矩陣................................................. 91
表4- 19 DIS-SVM 最佳樣本群混淆矩陣........................................................ 91
表4- 20 相關DIS-BNF 最佳樣本群混淆矩陣................................................ 92
表4- 21 LOG-SVM 最佳樣本群混淆矩陣....................................................... 92
表4- 22 相關LOG-SVM 最佳樣本群混淆矩陣.............................................. 92
表4- 23 4 種最佳組合預測樣本群混淆矩陣(無刪除相關因子)..................... 94
表4- 24 4 種最佳組合預測樣本群混淆矩陣(刪除相關因子)......................... 95

1.丁一賢和陳牧言 (2005)。資料探勘，滄海出版，臺中市，中華民國。
2.王以晴 (2006)。資料探勘大腸直腸癌存活分析模式之建構-類神經網路與支援向量機之應用，輔仁大學，管理研究所碩士論文，台北市。
3.王秀伯 (2005)。啤酒啤酒與高濃度酒精飲料增加大腸癌的機會，醫學
新知。
4.王派洲 (2006)。資料探勘概念與方法，滄海書局出版，台中市，
中華民國。
5.王濟川和郭志剛 (2003)。資料探勘，五南出版，台北市，中華民國。
6.台中慈濟醫院，癌症中心，網址：http://www.tzuchi.com.tw/a_f/f_tc/cancer_center/education4.htm
7.行政院衛生署，84~99年歷屆大腸直腸癌死亡人數統計，網址：http://www.doh.gov.tw/CHT2006/DM/DM2_2.aspx?now_fod_list_no=11663&class_no=440&level_no=5
8.李語嫣 (2009)。運用資料探勘技術由健康檢查與生活習慣資料建立疾病預測模型－以糖尿病為例，國立成功大學，醫學資訊研究所碩士論文，台南市。
9.美國癌症協會 (2010)，網址：http://www.acsccu.org/
10.留啟祐 (2008)。整合資料探勘方法應用於肝病輔助診斷，國立台北科技大學，商業自動化與管理學研究所碩士論文，台北市。
11.周文賢，(2002)。多變量統計分析，智勝文化出版，台北市。
12.張芳瑜 (2008) 。利用質譜技術與計算蛋白質體學來尋找大腸直腸癌的生物標記與診斷方法，國立陽明大學，生物醫學資訊研究所碩士論文，
台北市。
13.張昭威 (2009)。運用資料探勘方法建構乳癌預後模式，朝揚科技大學，工業工程與管理研究所碩士論文，台中縣。
14.張智婷 (2009)。應用資料探勘技術分析惡性腫瘤病徵間之關聯法則，嶺東科技大學，資訊科技應用研究所碩士論文 ，台中市。
15.郭金忠 (2005)。建立資料分類模式用以探討因子間群聚關係，雲林科技大學，工業工程與管理所碩士論文，雲林縣。
16.陳之凱 (1998)。結腸直腸癌藥物Cetuximab 與K-ras gene，Vol.43。
17.陳志州 (2009) 。網址 http://thaiaochi.pixnet.net/blog/post/25633656
18.陳雪芳 (2010) 。運用資料探勘技術探討國人主要癌症之關聯性與健保醫療資源耗用之研究，輔仁大學，商學研究所博士論文，台北市。
19.陳維熊，魏承生，(2008)。中西醫診-大腸癌，書泉書局出版，台北市，中華民國。
20.曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯 (2005)。資料探勘，旗標出版，臺北市

21.游雅雯 (2008)。建構大腸鏡異常發現之預測模型，雲林科技大學，工業工程與管理所碩士論文，雲林縣。
22.黃椒筠 (2007)。資料探勘技術於結直腸癌患者分類模型之建構，國防醫學院，公共衛生學研究所碩士論文，台北市。
23.黃聖育 (2008)。運用支援向量機、邏輯斯迴歸及決策樹於乳癌存活預測模式之建構，雲林科技大學，工業工程與管理所碩士論文，雲林縣。
24.廖建彰、王心怡、林瑞雄、謝長堯、宋鴻樟 (2005)。台灣地區男性大腸癌與攝護腺篩檢狀況，台灣衛誌，24卷(3)。
25.臺灣癌症臨床研究合作組織 (2008)，網址：
http://www.nhri.org.tw/NHRI_WEB/nhriw2001Action.do?status=Show_Data&uid=20081208673844090000&mid=20081126544654820000&n_mk=0
26.劉易承、宋鴻樟、謝玲玲、唐瑞平、葉志清 (2008)。大腸直腸癌之風險預測模式與風險指標，台灣衛誌，27卷(1)
27.鄭勝志 (2009)。應用資料探勘於醫療資源之輔助規劃研究-以子宮肌瘤手術為例，虎尾科技大學，工業工程與管理研究所碩士論文，雲林縣。
28.賴明美 (2007)。癌症，要制敵於機先，中國醫訊，51卷。
29.癌症防治中心，(2008)。網址：http://WWW.chimei.org.tw/top/top03/9014/old/9017/9017_3_3.htm。
30.糠榮誠，2008年4月，腸保健康談大腸直腸癌系統疾病，人醫心傳。

31.鐘明宗和葉建志 (2009)。抑癌基因SFRP家族在大腸直腸癌高度甲基化之研究，臺灣醫署，52卷(2)。
32.Olson and Yong (2008)。資料探勘，羅希爾出版，臺北縣，中華民國。
33.Akhter, M. Kuriyama, S., Nakaya, N. Shimazu, T. Ohmori, K., Nishino, Y. Tsubono, Y. Fukao, A. and Tsuji I. (2007) ‘Alcohol consumption is associated with an increased risk of distal colon and rectal cancer in Japanese men: The Miyagi Cohort Study’. EUROPEAN JOURNAL OF CANCER, 4 3:383-390
34.Balas, C.M. Koc, M.L. Tur, R. (2010) ‘Artificial neural networks based on principal component analysis, fuzzy systems and fuzzy neural networks for preliminary design of rubble mound breakwaters’. Applied Ocean Research, 32:425-433
35.Cai, C.Z. Wang, W.L, Sum, L.Z. Chen, Y.Z. (2003) ‘Protein function classification via support vector machine approach’. Mathematical Biosciences, 185:111-122
36.Chang, W.C. Lan, T.H. Ho, W.C., Lan, T.Y. (2010) ‘Factors affecting the use of health examinations by the elderly in Taiwan’. Archives of Gerontology and Geriatrics 50 Suppl. 1:511-516
37.Chen, I. W. Wang, J.H. King, T.M. Yang, F.O. Wang, H.T. (2009) ‘The Use of Ratio of Metastasis in Lymph Nodes as a Predictor of Overall Survival in Colorectal Cancer’. J Soc Colon Rectal Surgeon (Taiwan) September, Vol. 20.No. 3
38.Chen, M. Chen, L.S. Hsu, C.C. Zeng, W.R. (2008) ‘An information granulation based data mining approach for classifying imbalanced data’. Information Sciences, Vol .178, No. 16:3214-3227
39.Chen, M. S. Han, J. and Yu, P. S. (1996) ‘Data mining : an overview from a darabase perspective’. IEEE Transactions on Knowledge and Date Engineering, 8(6), pp.866-883
40.Chen, Z. Li, J. Wei, L., Xu, W. Shi, Y. (2011) ‘Multiple-kernel SVM based multiple-task oriented data mining system for gene expression data analysis’. Expert Systems with Applications
41.Dash, M. and Liu, H., (1997) ‘Feature selection for classification’. Intelligent Data Analysis, 1:131-156


42.Fadlalla, A. (2005) ‘An experimental investigation of the impact of aggregation on the performance of data mining with logistic regression’. Information & Managemen, 42:695-707
43.Gunn, S. R., (1998) ‘Support Vector Machines for Classification and Regression’. Technical Report, University of Southampton.
44.Hsu, C. W. Chang, C. C. & Lin, C. J. 2003, ‘A practical guide to support vector Classification’. Available:http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf.
45.Huang, M. J. Chen, M.Y. Lee, S.C. (2007) ‘Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis’. Expert Systems with Applications, 32:856-867
46.Huang, Z. Chen, H., Hsu, C.J. Chen, W.H. Wu, S. (2004) ‘Credit rating analysis with support vector machines and neural networks: a market comparative study’. Decision Support Systems, 37:543-558
47.Joaquin, P. Silvia, C. Laura, N. Olga, G. (2006) ‘Analysis of new variable selection methods for discrminant analysis’. Computational Statistics & Data Analysis, 51:1463-1478
48.Khashei, M. and Bijari, M. (2010) ‘An artificial neural network (p, d,q) model for timeseries forecasting’. Expert Systems with Applications, 37:479-489
49.Kim, K.J. and Cho, S.B. (2004) ‘Prediction of colon cancer using an evolutionary neural network’. Neurocomputing, 61:361-379
50.Kohavi, R. (1995) ‘A study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection’. Appears in the International Joint Conference on Artificial Intelligence(LJCAI), pp.1137-1145
51.Lee, K. Lim, H.T. Hwang, S.S. Chae, D.W. Park, S.M. (2007) ‘Socio-economic disparities in behavioural risk factors for cancer and use of cancer screening services in Korean adults aged 30 years and older’. Public health, 124:698-740
52.Li, J. Edmund, B. Burke, R.Q. (2011) ‘Integrating neural networks and logistic regression to underpin hyper-heuristic search’. Knowledge-Based Systems, 24:322-330
53.Li, L., Tang, H., Wu, Z., Gong, J. Gruidl, M. Zou, J. Tockman, M. Clark, R.A. (2004) ‘Data mining techniques for cancer detection using serum proteomic profiling’. Artificial Intelligence in Medicine, 32:71-83



54.Lin, C. C. Ko, C.J. Liu, J.P. Lee, Y.L. Chie, W.C. (2011) ‘Nationwide periodic health examinations promote early treatment of hypertension, diabetes and hyperlipidemia in adults: Experience from Taiwan’. Public health, 125:187-195
55.Lin, S. W. and Shih, C. C. (2009) ‘PSOLDA: A particle swarm optimization approach for enhancing classification accuracy rate of linear discriminant analysis’. Applied Soft Computing, 9:1008-1015
56.Lin, Y.C. Chen, J.D. Lo, S.H., Chen, P.C. (2010) ‘Worksite health screening programs for predicting the development of Metabolic Syndrome in middle-aged employees: a five-year follow-up study’. BMC Public Health: 1-8
57.Pallis, A.G. Papamichael, D. Audisio, R. Peeters, M. Folprecht, G. Lacombe, D. Cutsem, E.V. (2010). ‘EORTC Elderly Task Force experts’ opinion for the treatment of colon cancer in older patients’. Cancer Treatment Reviews, 36:83–90
58.Paulo, J. L. and Azzam, F.G.T. (2006) ‘The use of artificial neural networks in decision support in cancer: A systematic review’. Neural Networks, 19:408-415
59.Ping, X. Guy, N.B. Rudolph, S.P. (2009) ‘Modified linear discriminant analysis approaches for classification of high-dimensional microarray data’. Computational Statistics & Data Analysis, 53:1674-1687
60.Saarnio, H. (1988) ‘Health examination and scientific inference in occupational health service’. Theoretical Medicine and Bioethics Volume, 9(1):89-100
61.Silva, A. Cortez, P. Santos, M.F. Gomes, L. Neves, J., (2008) ‘Rating organ failure via adverse events using data mining in the intensive care unit’. Artificial Intelligence in Medicine, 43:179-193
62.Tan, P. N. (2006). Introduction to Data Mining, Addison Wesley.
63.Yeh, C. C. (2005), ‘MS-920: DNA repair gene polymorphisms, diet and colorectal cancer risk in Taiwan’. Cancer Letters, 224: 279–288
64.Zhang, C. Fu, H. Jiang, Y. Yu, T. (2007) ‘High-dimensional pseudo-logistic regression and classification with applications to gene expression data’. Computational Statistics & Data Analysis, 52:452-470
65.Zhou, X. Liu, K.Y. Wong, S.T.C. (2004) ‘Cancer classification and prediction using logistic regression with Bayesian gene selection’. Journal of Biomedical Informatics, 37:249-259