肝硬化與中風一直都是台灣相當重要的公共衛生議題，過去有醫學研究指出兩個疾病之間存在相關性，若能得知風險及早預防，對於醫療資源以及後續生活照護，將有很大的幫助。本研究擬從預防醫學的角度，嘗試運用人工智慧與機器學習的方法來建構輔助預測模型與評估系統。
本研究以國內某醫療機構資料庫為研究數據，篩選肝硬化患者，並透過相關文獻和醫師訪談，選擇易導致中風的重要因子後，運用粒子群最佳化演算法、交叉熵演算法與基因邏輯斯迴歸演算法、計算各風險因子的權重值，分別結合支援向量機及倒傳遞類神經網路建構六個預測模型，並結合案例式推理技術建構風險評估系統。以輔助預測與評估肝硬化患者是否伴隨中風。
研究顯示，六個預測模型經傅利曼檢定結果，模型間存在顯著差異，後經成對樣本T檢定，其中基因邏輯斯迴歸演算法分別結合倒傳遞類神經網路與支援向量機並無顯著差異，效果優於其他模型，其平均ACC與AURC皆分別達93.4%與0.95以上。在三個評估系統中，經傅利曼檢定顯示系統間無顯著差異，其平均ACC與AURC分別達93%與0.93以上。本研究結果可以提供醫療相關機關、患者及臨床工作者，做為輔助預測與評估之參考依據。

Cirrhosis and stroke have consistently been significant public health issues in Taiwan. Previous medical research has indicated a correlation between these two diseases. If we can identify the risks and take early preventive measures, it will greatly assist in managing healthcare resources and subsequent lifestyle care. This study aims to construct an assisted prediction model and evaluation system using artificial intelligence and machine learning methods from the perspective of preventive medicine.
This study utilized a domestic medical institution's database as the research data. Patients with liver cirrhosis were selected, and through relevant literature and physician interviews, important factors that could lead to stroke were identified. Particle Swarm Optimization (PSO), Cross-Entropy (CE), and Genetic Algorithm Logistic Regression (GALR) were applied to calculate the weight values of each risk factor. Support Vector Machine (SVM) and Back-propagation Neural Network (BPN) were used to construct six predictive models. Additionally, a risk assessment system was developed by integrating case-based reasoning techniques. To aid in predicting and assessing whether a patient with liver cirrhosis is accompanied by a stroke.
Research shows that six prediction models, as determined by the Friedman test, exhibit significant differences among them. Subsequently, through paired-sample t-tests, it was found that the gene logistic regression algorithm, when combined with backpropagation neural networks and support vector machines, does not show significant differences compared to other models. Furthermore, this combined approach outperforms other models, with average accuracy and area under the receiver operating characteristic curve reaching 93.4% and above 0.95, respectively. Among the three evaluation systems, the Friedman test indicated no significant difference between the systems, with average accuracy and area under the receiver operating characteristic curve exceeding 93% and 0.93, respectively. These research findings can serve as a reference for medical institutions, patients, and clinical practitioners in auxiliary prediction and assessment.

摘要...i
Abstract...ii
誌謝...iv
目錄...v
表目錄...viii
圖目錄...x
第一章 緒論...1
1.1 研究背景...1
1.2 研究動機...1
1.3 研究目的...2
1.4 研究範圍...3
1.5 研究流程...3
第二章 文獻探討...5
2.1 肝硬化...5
2.1.1 肝硬化之簡介...5
2.1.2 造成肝硬化之成因...5
2.1.3 肝硬化之評估與診斷...6
2.1.4 肝硬化之併發症...8
2.1.5 肝硬化之治療...9
2.1.6 肝硬化之預防...9
2.2 中風...10
2.2.1 中風定義與介紹...10
2.2.2 造成中風之危險因素...11
2.2.3 中風之症狀...13
2.2.4 中風之診斷...13
2.2.5 中風之治療...14
2.2.6 中風之預防...15
2.3 粒子群最佳化演算法...17
2.3.1 粒子群最佳化演算法基本介紹...17
2.3.2 粒子群最佳化演算法演算過程...17
2.3.3 粒子群最佳化演算法之相關應用...19
2.4 交叉熵演算法...20
2.4.1 交叉熵演算法基本介紹...20
2.4.2 交叉熵演算法演算過程...20
2.4.3 交叉熵演算之相關應用...21
2.5 基因邏輯斯迴歸演算法...22
2.5.1 基因演算法基本介紹...22
2.5.2 基因演算演算過程...22
2.5.3 邏輯斯迴歸分析之介紹...26
2.5.4 邏輯斯迴歸分析與基因演算法結合...27
2.5.5 基因演算法之相關應用...28
2.6 支援向量機...29
2.6.1 支援向量機基本介紹...29
2.6.2 支援向量機之運算機制...29
2.6.3 支援向量機之相關應用...30
2.7 倒傳遞類神經網路...31
2.7.1 倒傳遞類神經網路基本介紹...31
2.7.2 倒傳遞類神經網路演算法之運算...32
2.7.3 倒傳遞類神經網路之相關應用...34
2.8 案例式推理...35
2.8.1 案例式推理之基本介紹...35
2.8.2 案例式推理之運作模式...35
2.8.3 案例式推理之相關應用...36
第三章 研究方法...38
3.1 研究架構...38
3.2 研究資料與對象...40
3.3 研究變數...41
3.4 變數編碼...42
3.5 建構預測模型與評估系統...43
3.6 演算法參數設定...43
3.6.1 設定粒子群最佳化演算法參數...43
3.6.2 設定交叉熵演算法參數...44
3.6.3 設定基因邏輯斯迴歸演算法參數...44
3.6.4 設定支援向量機參數...45
3.6.5 設定倒傳遞類神經網路參數...45
3.6.6 案例式推理系統...46
3.7 模型驗證與績效評估...49
3.7.1 K疊交互驗證...49
3.7.2 ROC曲線與ROC曲線下面積...50
3.7.3 混淆矩陣...51
3.7.4 模型差異之統計檢定...53
第四章 研究結果...54
4.1 資料敘述性統計...54
4.2 啟發式演算法之實驗分析...56
4.2.1 PSO參數設定與求得風險因子權重值...56
4.2.2 CE參數設定與求得風險因子權重值...57
4.2.3 GALR參數設定與求得風險因子權重值...58
4.3 預測模型之實驗分析...59
4.3.1 PSO結合SVM實驗結果與分析...59
4.3.2 CE結合SVM實驗結果與分析...62
4.3.3 GALR結合SVM實驗結果與分析...64
4.3.4 PSO結合BPN實驗結果與分析...67
4.3.5 CE結合BPN實驗結果與分析...70
4.3.6 GALR結合BPN實驗結果與分析...73
4.4 預測模型比較與檢定...76
4.4.1 預測模型分析結果比較...76
4.4.2 預測模型間差異統計檢定...76
4.5 案例式推理評估系統之建構...78
4.5.1 評估系統使用者介面操作...79
4.5.2 案例式推理評估系統驗證...83
第五章 結論...84
參考文獻...85
附錄A 預測模型統計檢定...91
附錄B 案例式推理評估系統統計檢定結果...95
Extended Abstract...97

1.中國醫藥大學附設醫院–內科部消化系 (2023年01月05日)，肝硬化診斷與治療，中國醫藥大學附設醫院，取自：https://www.cmuh.cmu.edu.tw/HealthEdus/Detail?no=4756 讀取日：2023，3，5。
2.台北慈濟醫院腦中風中心 (2020年11月) 腦中風預防小百科，取自：https://taipei.tzuchi.com.tw/wp-content/uploads/2020/11/110%E5%B9%B4%E7%89%88-%E8%85%A6%E4%B8%AD%E9%A2%A8%E9%A0%90%E9%98%B2%E5%B0%8F%E7%99%BE%E7%A7%91.pdf 讀取日：2021，12，9。
3.白映俞醫師 (2018年10月2日)，正確保肝很重要 – 肝硬化(懶人包)，照護線上，取自：https://www.careonline.com.tw/2018/10/cirrhosis.html 讀取日：2021，12，9。
4.李維平、江正文 (2007年10月)，運用活化策略改良粒子群演算法求解成效。先進工程學刊，2(4)，頁283-293。
5.李癸汌醫師 (2022年07月15日)，肝昏迷（肝性腦病變），元氣網，取自：https://health.udn.com/health/disease/sole/175748#theme_8 讀取日：2022，12，9。
6.李俊宏、古清仁（2010），「類神經網路與資料探勘技術在醫療診斷之應用研究」，工程科技與教育學刊，7卷，1期，頁154-169。
7.肝病防治學術基金會 (2018年01月12日)，肝病知識，取自：https://www.liver.org.tw/knowledgeView.php?cat=6&sid=30 讀取日：2022，10，2。
8.肝病防治學術基金會 (2021年10月13日)，我的肝發炎 會是免疫系統引起的嗎？——解析肝臟免疫疾病，取自：https://www.liver.org.tw/journalView.php?cat=71&sid=1016&page=1\ 讀取日：2021，12，9。
9.吳亮儀 (2019年12月22日)，自由時報，取自：https://news.ltn.com.tw/news/life/paper/1340566 讀取日：2022，8，28。
10.邱淑宜 (2022年05月1日)，腦中風失能臥床平均10年 一年燒百萬照護費，康健雜誌，取自：https://www.commonhealth.com.tw/article/86227讀取日：2023，6，13。
11.邱宏彬、陳奕憲、楊培楷 (2012年)，基因演算法在國民中學排課問題之最佳化研究。資訊管理研究，12，頁63-82。
12.長庚醫療財團法人 (2021年)，認識腦中風，取自：https://webapp.cgmh.org.tw/healthedu/view/health_cntt.aspx?artno=00339&s=p 讀取日：2022，11，10。
13.高嘉宏醫師 (2015年06月10日)，肝硬化的診斷與治療，早安健康news，取自：https://news.everydayhealth.com.tw/2015/06/10/1006-%E8%82%9D%E7%A1%AC%E5%8C%96%E7%9A%84%E8%A8%BA%E6%96%B7%E8%88%87%E6%B2%BB%E7%99%82 讀取日：2022，10，5。
14.高原騎士 (2022年12月14日)，高原騎士隆重鉅獻2022全新單桶「台灣限定城市單桶系列 台東 No.1 」，ETtoday新聞雲，取自：https://www.ettoday.net/news/20221214/2401108.htm?from=mwebtaglist 讀取日：2023，1，28。
15.恩主公醫院 (2019年08月01日) 腦中風患者常見檢查項目.，取自：https://www.eck.org.tw/wp-content/uploads/2020/03/BN000E043.pdf 讀取日：2021，12，9。
16.徐兆甸醫師 (2022/07/05)，腹膜炎，元氣網，取自：https://health.udn.com/health/disease/sole/272 讀取日：2022，12，9。
17.傅愷延、鐘任新、黃雲萍、熊建輝 (2017年7月)，一種交叉算法宏觀交通模型標定方法。中國科技論文，12(14)。
18.曾正豪 (2021年11月19日)，簡單生活七件事(二)糖尿病中風機率是一般人2倍！醫籲控糖好處多多，健康醫療網，取自：https://health.udn.com/health/disease/sole/175748#theme_8 讀取日：2022，11，8。
19.黃國倫醫師 (2016年06月03日)，淺談腦中風與心臟病，取自：https://health.udn.com/health/disease/sole/175748#theme_8 讀取日：2022，11，8。
20.黃聖筑 (2018年10月10日)，Heho健康.，取自：https://heho.com.tw/archives/24523 讀取日：2022，11，8。
21.黃翎娟 (2019年05月25日)，遠離酒精危害 一同支持台灣無酒日，健康醫療網，取自：https://www.healthnews.com.tw/article/42239讀取日：2022，10，25。
22.黃名琪醫師 (2015年01月)，長期喝酒，對身體的傷害，臺北市立聯合醫院松德院區，取自：https://tpech.gov.taipei/mp109201/Content_List.aspx?n=0A54B0293641823A 讀取日：2022，10，25。
23.游羽棠、沈婉玉、陳禹蓁 (2022)，台灣一年喝掉400億元啤酒！海尼根屏東設廠掀台荷日大戰。商業周刊，第1816期，頁46-47。
24.葉佳衢醫師 (2018年04月13日)，腹水可以抽嗎？怎麼抽？，肝病防治學術基金會，取自：https://www.facebook.com/watch/?ref=embed_video&v=1830612320292539 讀取日：2022，12，10。
25.葉怡成 (2001)，應用類神經網路，儒林圖書公司，台北。
26.臺北榮總護理部健康e點通 (2022年04月26日)，肝性腦病變之照護，臺北榮民總醫院胃腸肝膽科，取自：https://ihealth.vghtpe.gov.tw/media/544 讀取日：2021，12，9。
27.臺中醫院放射線科 (2021年8月13日) 取自：https://www.taic.mohw.gov.tw/?aid=509&pid=76&page_name=detail&type=975&iid=3710 讀取日：2022，10，8。
28.臺中榮民總醫院腦中風中心 (2023年06月26日) ，急性腦中風之醫療照顧常見檢查項目，臺中榮民總醫院.，取自：https://www.vghtc.gov.tw/UnitPage/RowViewDetail?WebRowsID=977685f5-37a5-446c-93fe-5858b256bfcf&UnitID=642b65b8-ac30-4ef9-86de-dc3af9211d3e&CompanyID=e8e0488e-54a0-44bf-b10c-d029c423f6e7&UnitDefaultTemplate=1 讀取日：2023，6，15。
29.嘉義基督教醫院 (2018年03月26日)，腹水日常生活須知，取自：https://www.cych.org.tw/cychweb/cych3/ad/files/2019126C031%E8%85%B9%E6%B0%B4%E6%97%A5%E5%B8%B8%E7%94%9F%E6%B4%BB%E9%A0%88%E7%9F%A5-6B-2018.03.26.pdf 讀取日：2022，9，30。
30.蔡佩霖、郭斐然 (2012年)，缺血性腦中風的診斷與治療，台灣家醫誌，22(1)。
31.衛生福利部國民健康署 (2022年08月02日)，肝病簡介，取自：https://www.hpa.gov.tw/Pages/Detail.aspx?nodeid=616&pid=1128 讀取日：2022，12，28。
32.蘇凡 (2018年05月12日)，把握黃金三小時，辨別中風四步驟，預防中風八守則，愛長照，取自：https://today.line.me/tw/v2/article/5p3wOx 讀取日：2022，11，10。
33.羅以容 (2023年03月22日)，血脂太高怎麼辦？小心高血脂害你中風、胰臟發炎又致癌 醫推8招降血脂，健康2.0，取自：https://health.tvbs.com.tw/regimen/337622 讀取日：2023，5，16。
34.Aamodt, A., & Plaza, E., (1994). Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications, 7(1), 39–59.
35.Aswathy A.L., Anand Hareendran S., Vinod Chandra S.S. (2021). COVID-19 diagnosis and severity detection from CT-images using transfer learning and back propagation neural network. Journal of Infection and Public Health, 14(10), 1435-1445
36.Akinnuwesi, B. A., Olayanju, K.A., Aribisala, B.S., Fashoto, S,G., Mbunge, E., Okpeku, M., Owate, P., (2023). Application of support vector machine algorithm for early differential diagnosis of prostate cancer. Data Science and Management ,6(1), 1-12.
37.Beniwal, M., Singh, A., Kumar, N., (2023). Forecasting long-term stock prices of global indices: A forward-validating Genetic Algorithm optimization approach for Support Vector Regression. Applied Soft Computing, 145.
38.Bisong Ekaba. (2019). Logistic regression. In: Building Machine Learning and Deep Learning Models on Google Cloud Platform, pp. 243–250.
39.Cortes, C., & Vapnik, V. (1995). Support-vector networks.Machine learning,20, 273-297.
40.Cunha Jr, A., Barton, D.A.W. & Ritto, T.G. (2023) Uncertainty quantification in mechanistic epidemic models via cross-entropy approximate Bayesian computation. Nonlinear Dynamics, 111, 9649–9679.
41.Coupland AP, Thapar A, Qureshi MI, Jenkins H, Davies AH. (2017) The definition of stroke. J R Soc Med, 110(1),9-12.
42.Clausius, R. (1879). The mechanical theory of heat. Macmillan.
43.Chen, S., Ren,J., Yan, Y., Sun, M., (2022). Multi-sourced sensing and support vector machine classification for effective detection of fire hazard in early stage. Computers and Electrical Engineering 101.
44.Feng, Q., Chen, H., Jiang, R., Analysis of early warning of corporate financial risk via deep learning artificial neural network. Microprocessors and Microsystems 87
45.Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN'95-international conference on neural networks, 4, 1942-1948.
46.Li J, Zhang L, Gu X. (2022) A Composite Particle Swarm Optimization Algorithm for Hospital Equipment Management Risk Control Optimization and Prediction. J Environ Public Health..
47.Li G, Shuang F, Zhao P, Le C. (2019) An Improved Butterfly Optimization Algorithm for Engineering Design Problems Using the Cross-Entropy Method. Symmetry, 11(8).
48.Mohammadi, S. and S. R. Hejazi (2023). "Using particle swarm optimization and genetic algorithms for optimal control of non-linear fractional-order chaotic system of cancer cells." Mathematics and Computers in Simulation, 206, 538-560.
49.Oyelade, Olaide N. & Ezugwu Absalom E. (2020). A case-based reasoning framework for early detection and diagnosis of novel coronavirus. Informatics in Medicine Unlocked, 20.
50.Pedersen JS, Bendtsen F, Møller S. (2015) Management of cirrhotic ascites. Ther Adv Chronic Dis, 6(3), 124-37.
51.Pradeep KR, Gangadharan SMP, Hatamleh WA, Tarazi H, Shukla PK, Tiwari B. (2022) Improved Machine Learning Method for Intracranial Tumor Detection with Accelerated Particle Swarm Optimization. J Healthc Eng.
52.Phongsamran PV, Kim JW, Cupo Abbott J, Rosenblatt. (2010) A. Pharmacotherapy for hepatic encephalopathy. Drugs ,70(9).
53.Ridola L, Faccioli J, Nardelli S, Gioia S, Riggio O. (2020) Hepatic Encephalopathy: Diagnosis and Management. J Transl Int Med,.8(4), 210-219.
54.Rubinstein, R. Y. (1997). “Optimization of computer simulation models with rare events,” European Journal of Operational Research, Vol.99, pp.89-112.
55.Samant S, Uyemura B, Sarbagya P, Jha P. (2022) Listerial Spontaneous Bacterial Peritonitis. Cureus, 14(2).
56.Seo YS. (2018) Prevention and management of gastroesophageal varices. Clin Mol Hepatol, 24(1), 20-42.
57.Sun, J., Liu Q., Wang Y., Wang L., Song X., Zhao X., (2023). Five-Year Prognosis Model of Esophageal Cancer Based on Genetic Algorithm Improved Deep Neural Network. IRBM, 44(3).
58.Shannon, C. E. (1948). A mathematical theory of communication. The Bell system technical journal, 27(3), 379-423.
59.Schank, R. C., & Abelson, R. P. (2013). Scripts, plans, goals, and understanding: An inquiry into human knowledge structures. Psychology Press.
60.Wu, M.-T, (2022). Confusion matrix and minimum cross-entropy metrics based motion recognition system in the classroom. Scientific Reports, 12(1).
61.Xu H, Bao S, Zhang X, Liu S, Jing W, Ji Y. (2022) Blood Glucose Prediction Method Based on Particle Swarm Optimization and Model Fusion. Diagnostics (Basel), 12(12).
62.Ying, Xue., (2019). An Overview of Overfitting and its Solutions. Journal of Physics: Conference Series, 1168
63.Xu, C., Liu, W., Chen., Ding, X., (2022). A supervised case-based reasoning approach for explainable thyroid nodule diagnosis. Knowledge-Based Systems, 251.
64.Zulj, S., Carvalho,P., . (2021). Data size considerations and hyperparameter choices in case-based reasoning approach to glucose prediction. Biocybernetics and Biomedical Engineering, 41(2), 733-745.
65.Zhi, H. & S. Liu (2019). Face recognition based on genetic algorithm. Journal of Visual Communication and Image Representation, 58, 495-502.