目的运用贝叶斯网络(Bayesian network,BNT)分析肝癌病人资料,探索肝癌预后影响因素间的相互关系。方法依据最小描述长度(Mini mal Description Length,MDL)准则学习网络结构,对完整数据运用极大似然估计(Maxi mumlikelihood esti matio...目的运用贝叶斯网络(Bayesian network,BNT)分析肝癌病人资料,探索肝癌预后影响因素间的相互关系。方法依据最小描述长度(Mini mal Description Length,MDL)准则学习网络结构,对完整数据运用极大似然估计(Maxi mumlikelihood esti mation,MLE)获得网络参数,对含有缺失值的数据运用期望最大化(Expectation Maxi mization,EM)算法进行参数学习,并与完整数据的MLE估计进行比较,衡量BNT学习含有缺失值数据的能力。结果通过对含有1441个样本的肝癌资料的学习,构建了一个含有49个结点,62条有向边的BNT模型,并获得各结点参数。网络中的有向边反映肝癌预后影响因素之间的相互作用或影响,网络参数反映其强度。分析了直接影响肝癌预后和分期的指标,并依据网络参数,判断肝癌分期及预后情况。结论BNT模型具有较强的处理缺失数据的能力,应用BNT分析肝癌病人资料,揭示了影响肝癌预后的多因素间,多层次的多重因果关系,并从概率角度定量描述各因素间的影响强度。展开更多
文摘目的运用贝叶斯网络(Bayesian network,BNT)分析肝癌病人资料,探索肝癌预后影响因素间的相互关系。方法依据最小描述长度(Mini mal Description Length,MDL)准则学习网络结构,对完整数据运用极大似然估计(Maxi mumlikelihood esti mation,MLE)获得网络参数,对含有缺失值的数据运用期望最大化(Expectation Maxi mization,EM)算法进行参数学习,并与完整数据的MLE估计进行比较,衡量BNT学习含有缺失值数据的能力。结果通过对含有1441个样本的肝癌资料的学习,构建了一个含有49个结点,62条有向边的BNT模型,并获得各结点参数。网络中的有向边反映肝癌预后影响因素之间的相互作用或影响,网络参数反映其强度。分析了直接影响肝癌预后和分期的指标,并依据网络参数,判断肝癌分期及预后情况。结论BNT模型具有较强的处理缺失数据的能力,应用BNT分析肝癌病人资料,揭示了影响肝癌预后的多因素间,多层次的多重因果关系,并从概率角度定量描述各因素间的影响强度。
