特徵分析和機器學習方法應用於肝臟疾病檢測

摘要

本研究旨在使用臨床上常見的生化檢測數據建構肝臟疾病的預測模式，期望能夠即早篩檢出肝臟疾病患者、即時轉介就醫。本研究使用數據為UCI (University of California, Irvine)機器學習庫(Machine Learning Repository)所提供之「肝臟疾病資料檔」進行分析，考量Mean corpuscular volume (MCV)、Alkaline phosphotase (ALK-P)、Alamine aminotransferase (GPT)、Aspartate aminotransferase (GOT)、Gamma-glutamyl transpeptidase (rGT)、Drinks共6個特徵屬性判斷是否罹患肝臟疾病。並且，本研究結合臨床經驗，將GOT及 GPT兩項肝功能生化數值欄位進行比值換算，新增兩個特徵屬性GPT/GOT和GOT/GPT來提升肝臟疾病篩檢正確率。在機器學習方法的部分，本研究使用決策樹、隨機森林、貝氏分類、支援向量機、k個最近鄰居、以及類神經網路等方法，來進行實作和分析。在研究結果中，運用隨機森林方法，並結合新加入的兩個特徵屬性(即GPT/GOT和GOT/GPT)，將可有效將正確率提升至73.91%，較其他機器學習方法好。因此，未來在篩檢肝臟疾病患者時，可以考慮運用GPT/GOT和GOT/GPT特徵屬性，以提升篩檢正確率。