臺灣博碩士論文加值系統

近年來，社會上的飲食習慣快速變化，導致民眾的身體產生了很多的疾病，也是造成各種大腸異常的主因，有大腸異常症狀的人數在社會上已明顯的上升。因此如何提早發現大腸異常的症狀就是一個很重要的議題。
本研究以陳志達(2012)運用中部某健康中心接受健康檢查和大腸鏡檢查的病患資料為基礎，並應用游雅雯(2008)、林義祥(2011)、陳志達(2012)所找出的影響大腸鏡檢查結果的重要健檢項目集，運用支援向量資料描述(SVDD)與實驗設計，將上述重要健檢項目集作為重要因子，探討其與大腸異常之間的關聯性，建構大腸異常預測模型，並分析SVDD方法的分類預測績效。
研究結果顯示，當(1)綜合上述三位學者的重要健檢項目對分類績效有顯著影響；(2)K疊交互驗證對分類績效無顯著影響；(3)將大腸檢查結果屬於正常定義為目標集(正常)以及將大腸檢查結果屬於管狀絨毛腺瘤及鋸齒狀腺瘤定義為離群集(異常)對分類績效有顯著影響。

In recent years, people’s diet habit has been rapidly changing in society. This is one of the main causes of anomaly colon and colon abnormalities are obviously increased in the society. Therefore, detecting colon abnormalities in the early stage is a very important issue.
In this study, the health examination data and the examination data of colonoscopy are used to develop the predicting model of colon abnormalities using the historic data of some related literature, such as Chen (2012), Yu (2008), and Lin (2011). This study applied the support vector data description (SVDD) and experiment factorial Design method to develop the predicting model. The factors of the experiment include the different sets of critical items of the health examination, the number of folds of the cross validation, and the different definition of colon abnormalities. The performance of the predicting model is also studied.
The results of this research include: (1) all the critical items obtained from the literature are the critical items; (2) the number of folds of the cross validation is not significant for the performance of the predicting model; (3) the best definition of the target (normal) dataset is assigned from the exactly normal class and the outlier (abnormal) dataset is assigned from the classes of tubular villous adenoma and serrated adenoma.

目錄
摘要 I
ABSTRCT II
致謝 III
目錄 IV
圖目錄 VII
表目錄 VIII
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 研究架構 6
1.4 研究限制 7
第二章 文獻探討 9
2.1大腸異常介紹 9
2.2健康檢查介紹 13
2.3大腸異常危險因子相關文獻 16
2.4支援向量資料描述(SVDD)方法介紹 26
2.4.1支援向量資料描述(SVDD)的基本原理 26
2.4.2核函數的計算 30
第三章 研究方法 36
3.1研究架構與流程 36
3.2大腸鏡檢查結果分類及健檢資料標準化 39
3.2.1資料標準化 41
3.3建構實驗設計 41
3.4選擇核函數 45
3.5設定最佳參數s與建構SVDD分類模型並測試分類率效果 47
3.6測試分類模型的績效 48
3.7各實驗因子對分類率績效的影響 49
第四章 案例驗證與結果分析 50
4.1 A因子(不同重要健檢項目集)的分類績效 50
4.1.1 A因子第1水準的分類績效 50
4.1.2 A因子第2水準的分類績效 53
4.1.3 A因子第3水準的分類績效 56
4.1.4 A因子第4水準的分類績效 59
4.1.5 A因子第5水準的分類績效 62
4.2分析結果 64
4.2.1 B因子各水準整合結果分析 64
4.2.2各實驗因子對各資料集之分類績效影響 66
第五章 結論與未來研究 74
5.1結論 74
5.2未來研究 75
參考文獻 77

 
圖目錄
圖1.1 研究流程圖 8
圖2-1 大腸結構圖 10
圖2-2 瘜肉增生圖 10
圖2-3 SVDD示意圖 27
圖2-4 多項式核函數 31
圖2-5 高斯核函數 32
圖2-6 參數s值之選擇 34
圖3-1 研究方法架構圖 38
圖3-2 SVDD處理流程圖 49

 
表目錄
表1-1 我國大腸癌發生與死亡的統計數據 2
表2-1 健康檢查項目 14
表2-2 中部某醫學中心之健檢項目 15
表2-3高相關性健檢項目的群集化 22
表2-4游雅雯(2008)、林義祥(2011)與陳志達(2012)比較表 24
表2-5 健檢資料量化及明確化處理一覽表 25
表3-1大腸鏡檢查結果部分原始資料 40
表3-2陳志達(2012)之大腸鏡檢查結果嚴重程度等級之一覽表 40
表3-3 本研究之大腸鏡檢查結果分類一覽表 41
表3-4實驗因子與水準一覽表 44
表3-5 K疊交互驗證訓練集與測試集之樣本數 45
表3-6各核函數的分類績效(以A5B1C6為例) 46
表4-1 5疊交互驗證之各疊所計算之s值與Threshold臨界值 51
表4-2 A因子第1水準使用5疊交互驗證的SVDD模型平均分類績效 52
表4-4 A因子第1水準使用10疊交互驗證的SVDD模型平均分類績效 52
表4-5 5疊交互驗證之各疊所計算之s值與Threshold臨界值 54
表4-6 A因子第2水準使用5疊的SVDD模型平均分類績效 55
表4-8 A因子第2水準使用10疊交互驗證的SVDD模型平均分類績效 55
表4-9 5疊交互驗證之各疊所計算之s值與Threshold臨界值 57
表4-10 A因子的3水準使用5疊交互驗證的SVDD模型平均分類績效 57
表4-11 10疊交互驗證之各疊所計算之s值與Threshold臨界值 58
表4-12 A因子第3水準使用10疊交互驗證的SVDD模型平均分類績效 58
表4-13 5疊交互驗證之各疊所計算之s值與Threshold臨界值 60
表4-14 A因子第4水準使用5疊交互驗證的SVDD模型平均分類績效 60
表4-15 10疊交互驗證之各疊所計算之s值與Threshold臨界值 61
表4-16 A因子第4水準使用10疊交互驗證的SVDD模型平均分類績效 61
表4-17 5疊交互驗證之各疊所計算之s值與Threshold臨界值 63
表4-18 A因子第5水準使用5疊交互驗證的SVDD平均分類績效 63
表4-19 10疊交互驗證之各疊所計算之s值與Threshold臨界值 64
表4-20 A因子第5水準使用10疊交互驗證的SVDD模型平均分類績效 64
表4-21 A因子與C因子目標資料集在5疊交互驗證的平均分類率彙整表 65
表4-22 A因子與C因子離群資料集在5疊交互驗證的平均分類率彙整表 65
表4-24 A因子與C因子離群資料集在10疊交互驗證的平均分類率彙整表 66
表4-25 B因子(K疊交互驗證)T檢定 67
表4-26不同因子在目標訓練集之ANOVA分析表 68
表4-27不同因子在離群訓練集之ANOVA分析表 69
表4-28不同因子在目標測試集之ANOVA分析表 69
表4-29不同因子在離群測試集之ANOVA分析表 70
表4-30 各因子對目標訓練集之線性迴歸分析 71
表4-31 各因子對目標測試集之線性迴歸分析 71
表4-32 各因子對離群訓練集之線性迴歸分析 72
表4-33 各因子對離群測試集之線性迴歸分析 73
表4-34 ABC因子對分類績效的預測力和聯合解釋度之彙整表 73

1.王麗雲、陳榮福、凌美貝、張簡吉幸、張玉珍、蘇懿(2003)，健康檢查族群中脂肪肝罹病率及其相關因素之探討，護理雜誌，50(1)，57-64。
2.李雅慧、陳榮福、凌美貝、張玉珍、王慧卿、王麗雲(2005)，健康檢查民眾新陳代謝症候群之相關性探討，長庚護理，16(1)，44-52。
3.成寶芝、趙春暉、王玉磊(2012)，結合光譜解混的高光譜圖像異常目標檢測SVDD算法，應用科學學報，30(1)，82-88。
4.沈俊良(1999)，簡介大腸憩室症，高醫醫訊月刊，19卷(4)。
5.林義祥 (2011)，運用健檢資料建構大腸癌預測模型。朝陽科技大學工業工程與管理研究所論文，台中市。
6.吳希文、史麗珠、張睿詒、陳為堅、楊銘欽(2009)，慢性腎臟病與其相關因子之探討-以社區成人健康檢查資料分析，臺灣公共衛生雜誌，28(5)，374-384。
7.張皓然 (2012)，發展支援向量資料描述-田口系統(SVDD-TS)於多變量分類問題之應用。朝陽科技大學工業工程與管理研究所論文，台中市。
8.陳麗君(2008)，基於支持向量資料描述的一新邊界距離量測值及其於分類上之應用。國立成功大學資訊工程研究所論文，台南市。
 
9.陳志達(2012)，運用多變量分析探討大腸異常之相關健檢項目。朝陽科技大學，工業工程與管理研究所碩士論文，台中市。
10.張昭威(2009)，運用資料探勘方法建構乳癌預後模式。朝陽科技大學，工業工程與管理研究所碩士論文，台中市。
11.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。
12.廖建彰、王心怡、林瑞雄、謝長堯、宋鴻樟 (2005)，臺灣地區男性大腸癌與攝護腺癌篩檢狀況，臺灣公共衛生雜誌，24卷(3) 。
13.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。
14.劉如偵，台南奇美醫院，健康管理中心，奇美醫訊(2013) 。
15.蔡哲福、阮祺文、姜明凱、張秀全圳、林子曾色、蔡嘉倫、李川員安(2011)，大腸癌篩檢與健康行為相關因素之研究一以中部某區城醫院為例，醫療品質雜誌，4卷(2) 。
16.謝慧雅(1999)，現代人的隱疾--痔瘡，高醫醫訊月刊，19卷(7)。
17.新竹馬偕紀念醫院，大腸直腸外科，衛教資訊(2010) 。
18.行政院衛生福利部統計室。
19.國家衛生研究院(1998) ，大腸直腸癌診斷與治療之共識。
20.國際厚生數位科技股份有限公司。http://www.omnihealthgroup.com.tw/
21.國立臺灣大學醫學院附設醫院家庭醫學部。http://www.ntuh.gov.tw/MedicalTeams/InternalMedicine/%E5%AE%B6%E5%BA%AD%E9%86%AB%E5%AD%B8%E9%83%A8.aspx
22.潰瘍性結腸炎的診斷與治療，健康生活，中榮醫訊。http://www2.vghtc.gov.tw/portal/periodical/
23.醫學百科。http://big5.wiki8.com/
24.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, 43,pp.383-390.
25.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 ”, Gerontology and Geriatrics, 50, (1),pp.11–16.
26.Chan, A. T., Giovannucci EL, (2010) “Primary prevention of colorectal cancer”. Gastroenterology, 138, pp. 2029-2043.
27.Ge, Z., Gao, F., song, Z., (2011), “Batch process monitoring based on support vector data description method” , Jurnal of Process Control 21 , pp. 940-959.
28.Huang, G., Chen, H., Zhou, Z., Yin, F., Guo, K., (2011) “Two-class supportvectordatadescription”, Pattern Recognition, 44, pp. 320–329.
29.Lee, K. Y., Kim, D. W., Lee, D., Lee, K. H. (2005) “Improving support vector data description using local density degree”, Pattern Recognition, 38, pp. 1768-1771.
30.Lin, Y. 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.
31.Martinez, M. E., Sampliner, R., Marshall, JR., Bhattacharyya, A. K., (2001) “Adenoma characteristics as risk factors for recurrence of advanced adenomas”, Gastoenterology, 120, pp. 1077-1083.
32.Muto, T., Bussey, H. J, Morson, B. C. (1975) “The evolution of cancer of the colon and rectum”, Cancer, 36, (6), pp. 2251–2270.
33.Sch&;ouml;lkopf. B, Willamson, R., Smola, A., &; Shawe-Taylor, J., (1999) “SV estimation of a distribution’s support”, Advances in Neural Information Processing Systems.

34.Saarnio, H., (1988) “Health examination and scientific inference in occupational health service”, Theoretical Medicine and Bioethics, 9, (1), pp.89-100.
35.Tax, D. M. J., and Duin, R. P. W., (1999) “Support vector domain description”, Pattern Recognition Letters, 20, (1), pp. 1191–1199.
36.Tax, D. M. J., and Duin, R. P. W., (2004) “Support Vector Data Description” Machine Learning, 54, (1), pp. 45–66.
37.Yonos, Allahyari., and Hadi, S. Y., (2012) “Quasi Support Vector Data Description (QSVDD) ”, International Journal of Signal Processing, Image Processing and Pattern Recognition, 5, (3), pp. 65-74.
38.The Permanente Medical Group, (2009) “Why should I be tested for colorectal cancer? ”. Regional Health Education, 4, (2), pp. 54-62.
39.Williams, D. K., editor, C. B., Waye, J. D., (2003), “Colonoscopy principles and practice”, Horfastad Horfastad B.In , pp. 358-376.
40.Yeh, C. C., Hsieh, L. L., Tang, R., Chang, C. C. R., Sung, F. C, (2003) “Risk Factors for Colorectal Cancer in Taiwan a Hospital? Based Case? Control StudyJournal”, Formosan Medical Association, 102, (5), pp. 305-312.
41.Lin, Y. C., Chen, J. D., Lo, S. H., and 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,10, (747), pp.1-8.
42.Graham, A. C., Michelle, S. S., Catherine, T. R., Hank, D., Laurie, F., Angela,
T., &; Beverly, R., (2002) “Harvard Report on Cancer Prevention”, Cancer Causes and Control, 13, pp. 199-212.
43.dd_tools toolbox:http://prlab.tudelft. nl/david-tax/dd_tools.html.
44.Kaiser Permanente(2009).http://www.kaiserpermanentejobs.org/default.aspx