(3.238.235.155) 您好!臺灣時間:2021/05/16 17:40
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:凌光辰
研究生(外文):Kuang-Chen Ling
論文名稱:應用人工智慧於白內障術後眼內炎之研究
論文名稱(外文):A Study of Applying Artificial Intelligence to the Incidence of Endophthalmitis after Cataract Surgery
指導教授:張俊郎張俊郎引用關係
學位類別:碩士
校院名稱:國立虎尾科技大學
系所名稱:工業工程與管理研究所
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2013
畢業學年度:101
語文別:中文
論文頁數:117
中文關鍵詞:白內障手術眼內炎感染倒傳遞類神經網路粒子群演算法基因邏輯斯迴歸案例式推理
外文關鍵詞:Cataract SurgeryInfectious EndophthalmitisBack-Propagation Neura NetworkParticle Swarm OptimizationGenetic Algorithms Logistic RegressionCase-Based Reasoning
相關次數:
  • 被引用被引用:1
  • 點閱點閱:329
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
老年人為一般白內障的好發族群,而白內障最容易引起視力不佳以及視盲,在全球統計中造成視盲最常見的原因為白內障,而白內障手術後眼睛有外傷或因身體的抵抗力下降,容易導致眼睛遭到眼內炎感染,眼內炎是令人聞之色變的可怕疾病,會讓病患視力嚴重受損甚至失明,如果不幸發生失明常會引發醫療糾紛和遺憾,眼科醫療糾紛屬於前幾名的案件,手術後發生眼內炎機率大約0.07~0.13%,機率不高,但是發生後對視力造成很大的威脅。

根據中央健康保險局醫療費用申報資料顯示,在2000年白內障手術為11萬人次,但2011年時人數大幅上升至171,068人次,成長幅度約為55%。這幾年白內障病患越來越多,而且年齡有下降的趨勢,慢慢成為流行病學領域的重要議題,讓人不得不重視這個問題,本研究使用全民健保資料庫資料做為研究對象,探討白內障手術後發生眼內炎感染情形及其危險因子,建構預測系統來預測術後眼內炎的發生,進而提升白內障手術品質。

本研究運用人工智慧方法建構六種預測評估模型,再以案例式推理技術建構評估系統,對於醫師或相關人員做為醫療診斷上輔助使用,以提升醫療服務品質。在模型中倒傳遞類神經網路優於其他模型,該模型平均測試準確率為91.35%,平均接收操作特性曲線為0.834皆是所有模型當中最佳。而粒子群演算法權重值結合案例式推理較其它權重值之結合模型有較佳之評估系統準確率達90.3%。

The elderly is the group prone to cataract outset, and cataract most likely causes poor vision and blindness. According to global statistics, the most common cause of blindness is cataract, while post-operative eye trauma or weakened body defenses are likely to lead to a kind of eye infection known as endophthalmitis. Endophthalmitis is a dreaded and terrible disease, as it causes severe vision impairment and even blindness in patients. In unfortunate events of blindness, medical malpractice related disputes and regret usually take place. Cases of ophthalmic related medical disputes are among the highest in terms of occurrence. The rate of post-operative endophthalmitis rate is about 0.07~0.13%, a low probability but a major threat to vision following its occurrence.

According to the healthcare fee claim data of National Health Insurance Administration, Ministry of Health and Welfare (NHI), 110,000 people underwent cataract surgery in 2000, but the number increased to 171,068 in 2011, an increase of approximately 55%. In recent years, the number of cataract patients has increased, and the age has shown a downward trend. Cataract has become an important issue in the field of epidemiology, making it the problem of greater public concern. In this study, the information stored in the NHI database was adopted as the research participant in order to explore the endophthalmitis status and the risk factors, thereby constructing a predictive system that predicts occurrences of post-operative endophthalmitis and improves f the quality of cataract surgery.

In this study, the Artificial Intelligence (AI) approach was adopted to construct six predictive assessment models. Through the case-based reasoning technology, the assessment system was constructed to serve as an aid for doctors or related personnel in medical diagnosis and improve the quality of medical services. The research results indicate that the back-propagation neural network was superior to the other models. The model’s average test accuracy was 91.35%, and the average receiver operating characteristics curve was 0.834, the best among all the models. On the other hand, the Particle Swarm Optimization (PSO) weight values combined with the case-based reasoning had the better assessment system accuracy ratio of 90.3%, compared to the weight values of the other combined models.

摘要.....................................................i
Abstract................................................ii
誌謝.....................................................iv
目錄.....................................................v
表目錄.....................................................x
圖目錄...................................................xiii
第一章 緒論.................................................1
1.1 研究背景................................................1
1.2 研究動機................................................2
1.3 研究目的................................................2
1.4 研究範圍與限制...........................................3
1.5 論文架構................................................4
第二章 文獻探討..............................................6
2.1 白內障及白內障手術簡介.....................................6
2.1.1 老年性白內障...........................................7
2.1.2 藥物性白內障...........................................7
2.1.3 外傷性白內障...........................................7
2.1.4 代謝性白內障...........................................7
2.2 全民健保對於白內障手術之支付................................7
2.2.1 論病例計酬支付標準......................................7
2.3 事前審查作業辦法.........................................11
2.4 眼內炎及相關因素.........................................12
2.4.1 眼內炎簡介...........................................12
2.4.2 眼內炎危險因子........................................13
2.5 資料探勘...........................................13
2.5.1 資料探勘介紹..........................................13
2.5.2 資料探勘功能..........................................14
2.5.3 資料探勘於醫療文獻.....................................15
2.6 類神經網路...........................................16
2.6.1 類神經網路理論基礎.....................................16
2.6.2 類神經網路的架構分類...................................17
2.6.3 倒傳遞類神經網路.......................................18
2.6.4 類神經網路於醫療領域相關文獻.............................19
2.7 支援向量機...........................................20
2.7.1 支援向量機簡介........................................20
2.7.2 支援向量機分類........................................20
2.7.3 支援向量機於醫療領域相關文獻.............................22
2.8 案例式推理...........................................22
2.8.1 案例式推理理論........................................22
2.8.2 案例式推理運作模式.....................................23
2.8.3 案例式推理應用於醫療領域................................24
2.9 粒子群演算法...........................................25
2.9.1 粒子群演算法簡介.......................................25
2.9.2 粒子群演算法速度更新法則................................26
2.9.3 粒子群演算法參數設定...................................27
2.9.4 粒子群演算法相關文獻...................................27
2.10 基因演算法...........................................28
2.10.1 基因演算法原理.......................................28
2.10.2 基因演算法流程說明....................................30
2.10.3 基因演算法邏輯斯模式..................................31
2.10.4 基因演算法相關文獻....................................32
2.11 驗證與績效評估.........................................33
2.11.1 K疊交叉驗證法........................................33
2.11.2 ROC曲線...........................................34
第三章 研究方法...........................................36
3.1 研究架構...........................................36
3.2 研究資料...........................................39
3.2.1 研究對象...........................................39
3.2.2 研究工具...........................................39
3.3 資料前置處理...........................................39
3.3.1 資料串聯...........................................39
3.3.2 資料蒐集與處理........................................40
3.4 變數選擇...........................................41
3.5 變數定義...........................................41
3.6 變數設定...........................................43
3.7 模型建立...........................................44
3.7.1 倒傳遞類神經網路模型建立................................46
3.7.2 支援向量機模型建立.....................................50
3.7.3 粒子群演算法結合倒傳遞類神經網路模型建立...................51
3.7.4 粒子群演算法結合支援向量機模型建立........................53
3.7.5 基因邏輯斯迴歸結合倒傳遞類神經網路模型建立.................55
3.7.6 基因邏輯斯迴歸結合支援向量機模型建立......................57
3.7.7 案例式推理模型建立....................................59
3.8 模型評估...........................................62
3.8.1 K疊交叉驗證.........................................63
3.8.2 接受器操作(ROC)曲線績效評估.............................63
3.8.3 統計方法檢定.........................................64
第四章 資料分析與研究結果.....................................66
4.1 資料敘述統計...........................................66
4.2 倒傳遞類神經網路模型.....................................68
4.2.1 倒傳遞類神經網路最佳參數組合設定..........................68
4.2.2 倒傳遞類神經網路模型驗證................................73
4.2.3 倒傳遞類神經網路模型權重分析.............................74
4.3 支援向量機實驗分析......................................74
4.3.1 最佳參數設定.........................................74
4.3.2 支援向量機模型驗證.....................................75
4.4 粒子群演算法結合倒傳遞類神經網路............................76
4.4.1 粒子群演算法結合倒傳遞類神經網路變數篩選..................76
4.4.2 粒子群演算法結合倒傳遞類神經網路最佳參數組合設定.............77
4.4.3 粒子群演算法結合倒傳遞類神經網路模型驗證...................82
4.5 粒子群演算法結合支援向量機模型.............................82
4.5.1 粒子群演算法結合支援向量機模型變數篩選....................82
4.5.2 粒子群演算法結合支援向量機模型最佳參數組合.................83
4.5.3 粒子群演算法結合支援向量機模型驗證........................83
4.6 基因邏輯斯迴歸結合倒傳遞類神經網路..........................84
4.6.1 基因邏輯斯迴歸結合倒傳遞類神經網路變數篩選.................84
4.6.2 基因邏輯斯迴歸結合倒傳遞類神經網路最佳參數組合設定...........85
4.6.3 基因邏輯斯迴歸結合倒傳遞類神經網路模型驗證.................90
4.7 基因邏輯斯迴歸結合支援向量機模型...........................90
4.7.1 基因邏輯斯迴歸結合支援向量機模型變數篩選..................90
4.7.2 基因邏輯斯迴歸結合支援向量機模型最佳參數組合................91
4.7.3 基因邏輯斯迴歸結合支援向量機模型驗證.....................91
4.8 CBR資料庫之建立.......................................92
4.8.1 權重值設定...........................................92
4.8.2 評估系統之操作程序與使用介面............................93
4.8.3 案例式推理評估系統之驗證................................98
4.9 模型績效評估與統計檢定....................................99
4.9.1 白內障手術後眼內炎模型績效評估...........................99
4.9.2 統計檢定之結果......................................100
第五章 結論與建議...........................................103
5.1 研究結論...........................................103
5.2 建議...........................................104
參考文獻...........................................105
附錄A 術後感染比率交叉分析表................................111
Extended Abstract........................................112
簡歷...........................................117


1.中央健康保險局,全民健康保險支付標準,取自http://www.nhi.gov.tw/webdata/webdata.aspx?menu=20&menu_id=710&webdata_id=3633,參考日期:2013/6/12。
2.中央健康保險局,眼科審查汱意事項及白內障手術事前審查作業規定,取自http://www.nhi.gov.tw/,參考日期:2013/6/14。
3.中華民國眼科醫學會,中老年視覺問題診療指引手冊,取自http://www.bhp.doh.gov.tw/BHPNet/Web/HealthTopic/TopicArticle.aspx?id=200712250416&parentid=200712250086,參考日期:2013/5/11。
4.王派洲 (2008),資料探勘概念與方法,滄海書局。
5.王偉驎、林文燦、賴政皓、陳慧敏 (2008),「應用資料探勘技術提升急診醫學檢傷分類之一致性—以台灣某醫學中心急診醫學部為例」,品質學報,第15卷,第4期,頁283-291。
6.王紹莉、于潔、龐秀琴 (2002),「眼內炎的早期診斷與治療」,中國醫刊,第37卷,第11期,頁37-39。
7.支援向量機介紹,取自http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html,參考日期:2013/5/11。
8.支援向量機模型IBM SPSS,取自http://www.ibm.com/developerworks/cn/data/library/techarticle/dm-1201maxm/,參考日期:2013/5/13。
9.甘豐榮、陳建良、劉振隆 (2011),「以基因演算法為基礎之K-均數群集技術應用於保險詐欺理賠分析」,資訊管理學術與實務研討會,台北。
10.田川昇、謝秉志、林再興 (2001),「利用基因演算法建立滲透率計算模式」,石油期刊,第36卷,第4期,頁1-8。
11.行政院衛生署,醫事處醫療糾紛統計排名,取自http://www.doh.gov.tw/CHT2006/DM/DM2.aspx?now_fod_list_no=11237&class_no=472&level_no=2,參考日期:2013/5/11。
12.行政院衛生署 (2011),門診、住院手術人次統計-按性別及年齡別分,取自http://www.doh.gov.tw/CHT2006/DM/DM2_2.aspx?now_fod_list_no=12500&class_no=440&level_no=3,參考日期:2013/7/2。
13.吳建和、張財源、王淑蕙 (2011),「白內障術後眼內炎預測模型之研究」,長榮大學學報,第15卷,第2期,頁99-115。
14.李三剛、蔡志文、陳啓昌、陳享民、王士偉 (2009),「應用獨立成份分析法改善腦部 MR 影像組織分割績效之研究」,中華放射線醫學雜誌,第34卷,第2期,頁93-101。
15.李維平、張加憲 (2011),「改良粒子群演算法求解旅行銷售員問題」,先進工程學刊,第6卷,第1期,頁21-30。
16.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,第7卷,第1期,頁154-169。
17.李維平、黃郁授、戴彰廷 (2008),「自適應慣性權重改良粒子群演算法之研究」,科學與工程技術期刊 ,第4卷,第2期,頁 51-62。
18.林明宏 (2003),「壽險保單早期失效之預測」,風險管理學報,第5券,第3期,頁341-361。
19.林瑞益、楊燕珠 (2005),「應用資料探勘技術於全民健康保險研究資料庫-以慢性腎衰竭為例」,CSIM IMP 2005 第十一屆資訊管理暨實務研討會,頁3063-3079。
20.林文修、李文瑞 (2005),「運用基因演算法建構糖尿病前期診斷模型之研究」,醫療資訊雜誌,第14卷,第1期,頁51-64。
21.林正堅、黃雅紫、李繼永 (2007),「以粒子群最佳化演算法為基礎之改良型多層類神經網路於臉部辨識應用」,朝陽學報,第12期,頁417-436。
22.姜英梅、韓峰、金日 (2012),「白内障超聲乳化術不同切口與發生急性眼内炎的關係分析」,醫學综述CJTD,第 11期,頁1761-1762。
23.胡曉暉 (2002),「粒子群優化算法介紹」,取自http://www.swarmintelligence.org/papers/cPSOTutorial.pdf,參考日期:2013/5/11。
24.苑守慈、王詩翔、張瑋倫 (2008),「智慧型老人居家照護-以替換調適模式之案例式推理為基礎」,資訊管理學報,第15卷,第2期,頁1-25。
25.張偉斌、劉德明、王照元、紀櫻珍、吳忠敏、王堉璿、張偉嶠 (2011),「建構整合類神經網路與分類迴歸樹在大腸癌病患淋巴轉移之預測」,北市醫學雜誌,第8卷,第1期,頁13-22。
26.張瑞芳、陳玉鎔 (2012),「PSO值基於GARCH與EGARCH建構匯率預測模型」,亞太經濟管理評論,第15券,第2期,頁21-37。
27.郭信川、劉清祥、許凱雄 (2007),「鄰域型粒子群演算法於結構設計之應用」, 中國造船暨輪機工程學刊,第26卷,第3期,頁151-159。
28.郭信川、張健仁、劉清祥 (2004),「粒子群算法于最佳化問题之研究」,第一屆台灣作業研究學會學術研討會暨2004年科技與管理學術研討會,頁419-432。
29.梁文敏、葉懿諄 (2013),取自http://www2.cmu.edu.tw/~biostat/online/teaching_corner_046-1.pdf,參考日期:2013/6/11。
30.陳宗豪、楊顯爵、陳震遠、陳震武 (2009),「羅吉斯回歸模型的應用:內弧立子的傳導影響」,中正嶺學報,第37卷,第2期,頁1-10。
31.陳麗帆、周繡玲、周雨青、楊燦、簡戊鑑、白璐、朱基銘 (2009),「使用比較資料探勘演算法預測非小細胞肺癌病患預後因子存活情形及其效能」,腫瘤護理雜誌,第9卷,第2期,頁33-47。
32.淺談資料探勘,取自http://www.bctest.ntnu.edu.tw/96annuals/43-3.html,參考日期:2013/1/5。
33.傅家啟、白炳豐、陳得源、陳信華 (2009),「電腦輔助腮腺超音波乾燥症檢測系統開發」,醫療資訊雜誌,第18卷,第3期,頁42-54。
34.黃美玲、陳幸宜、陳貴琳、李雅雯 (2006),「類神經網路輔助診斷分類模式之建構」,中華民國品質學會第42屆年會暨第12屆全國品質管理研討會,頁1-12。
35.黃崇源、黃逢傑 (2012),「以基因演算法結合人口統計資訊配置自動體外去顫器—以台北市為例」,台灣地理資訊學會年會暨學術研討會。
36.新通訊,「提高GPS/WSN/蜂巢通訊系統定位精度可變學習BNN功不可沒」,取自http://www.2cm.com.tw/coverstory_content.asp?sn=1011290019,參考日期:2013/1/8。
37.楊正宏、吳國銓、洪集輝 (2006),「改良式二進位粒子族群最佳化用於基因表現資料之特徵選取及支援向量機參數最佳化」,第十一屆人工智慧與應用研討會,頁323-330。
38.葉怡成、杜進明、丁導民、王逸芸、劉謹豪 (2008),「關聯推理神經網路」,資訊管理學報,第15卷,第4期,頁51-78。
39.廖述賢、溫志皓 (2009),資料採礦與商業智慧,雙葉書廊,台北。
40.聚英視光眼科診所,「白內障簡介」,取自http://eyeplus.pixnet.net/blog/post/42631410-%E7%99%BD%E5%85%A7%E9%9A%9C%E7%B0%A1%E4%BB%8B,參考日期:2013/6/12。
41.劉嘉年 (2009),「提供者服務量與膀胱癌病患進行膀胱根除術之結果分析」,台灣公共衛生雜誌,第28卷,第3期,頁184-193。
42.蔡顯麞、劉湘川 (2009),「兩種脊迴歸模式與複線性迴歸模式之交互驗證比較」,測驗統計年刊,第17期,頁77-83。
43.類神經網路模式簡表,取自http://www.cyut.edu.tw/~lhli/ANN/ANNmodelTable.pdf,參考日期:2013/1/5。
44.Aamodt, A., Plaza, E. (1994). “Case-based reasoning: Foundational issues, methodological variations, and system approaches”, AI communications, Vol.7, No.1, pp.39-59.
45.American Academy of Ophthalmology, “Basic and clinical science course”, from http://www.aao.org/, data: 2013/4/16.
46.Ahn, H., Kim, K. (2009). “Global optimization of case-based reasoning for breast cytology diagnosis”, Expert Systems with Applications, Vol.36, No.1, pp.724-734.
47.Allardice, G. M., Wright, E. M., Peterson, M., Miller, J. M.(2001). “A statistical approach to an outbreak of endophthalmitis following cataract surgery ata hospital in the West of Scotland”, Journal of Hospital Infection, Vol.49, No.1, pp.23-29.
48.Avci, E. (2009). “A new intelligent diagnosis system for the heart valve diseases by using genetic-SVM classifier”, Expert Systems with Applications, Vol.36, No.7, pp.10618-10626.
49.Babaoğlu, I. F. O., Bayrak, M. (2010). “Effects of principle component analysis on assessment of coronary artery diseases using support vector machine”, Expert Systems with Applications, Vol.37, No.3, pp.2182-2185.
50.Breiman, F., V. D., Engelbrecht, A. P. (2002). “A new locally convergent particle swarm optimiser”, Systems, Man and Cybernetics, 2002 IEEE International Conference on. IEEE, Vol. 3.
51.Chang, C. L., Hsu, M. Y. (2009). “The study that applies artificial intelligence and logistic regression for assistance in differential diagnostic of pancreatic cancer”, Expert Systems with Applications: An International Journal, Vol.36, No.7, pp.10663-10672.
52.Chuang, C. L. (2011). “Case-based reasoning support for liver disease diagnosis”, Artificial Intelligence in Medicine, Vol.53, No.1, pp.15-23.
53.Clerc, M. (1999). “The swarm and the queen: towards a deterministic and adaptive particle swarm optimization”, Proceedings of IEEE Congress on Evolutionary Washington, DC, USA.
54.Doft, B. H., Kelsey, S. F., Wisniewski, S., Metz, D. J., Lobes, L., Rinkoff, J., Davis, M., Kassoff, A. (1994). “Treatment of endophthalmitis after cataract extraction”, Retina, Vol.14, No.4, pp.297-304.
55.Esin, D., Akif, D., Derya, A. (2011). “An expert system based on Generalized Discriminant Analysis and Wavelet Support Vector Machine for diagnosis of thyroid diseases”, Expert Systems with Applications, Vol.38, No.1, pp.146-150.
56.Eberhart, R., Kennedy, J. (1995). “A new optimizer using particle swarm theory”. Micro Machine and Human Science, 1995. MHS''95., Proceedings of the Sixth International Symposium on. IEEE. pp. 39-43.
57.Fang, Y. T., Chien, L. N., Ng, Y. Y., Chu, H. F., Chen, W. M., Cheng, C. Y., Wu, S. C. (2005). “Association of hospital and surgeon operation volume with the incidence of postoperative endophthalmitis: Taiwan experience”, Eye, Vol.20, No.8, pp.900-907.
58.Fei, S. W. (2010). “Diagnostic study on arrhythmia cordis based on particle swarm optimization-based support vector machine”, Expert Systems with Applications, Vol.37, No.10, pp.6748-6752.
59.Freeman, E. E., Roy-Gagnon, M. H., Fortin, E., Gauthier, D., Popescu, M., Boisjoly, H. (2010). “Rate of endophthalmitis after cataract surgery in Quebec, Canada, 1996-2005”, Archives of ophthalmology, Vol.128, No.2, pp.230.
60.FUNcLogs, from http://function1122.blogspot.com/, date: 2013/6/5.
61.Goldberg, R. B., Perez-Grau, L. (1989). “Soybean seed protein genes are regulated spatially during embryogenesis”, The Plant Cell Online, Vol.1, No.11, pp.1095-1109.
62.Gunn, S. R. (1998). “Support vector machines for classification and regression”, ISIS technical report, Vol.14.
63.Hanson, R. K., David, T. (1999). Static 99: Improving actuarial risk assessments for sex offenders, Vol. 2.
64.Huang, M. J., Chen, M. Y., Lee, S. Chin. (2007). “Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis”, Expert Systems with Applications, Vol.32, No.3, pp.856-867.
65.Huang, Y. C., Liao, M. C. (2011). “The Application of a Neural Network on the Construction of the Health Management System of Hospital Staff”.
66.Jiawei, H., Micheline, K. (2001). “Data mining concept and technology”, Publishing House of Mechanism Industry, pp.70-72.
67.Kamalarajah, S., Ling, R., Silvestri, G., Sharma, N. K., Cole, M. D., Cran, G., Best, R. M. (2006). “Presumed infectious endophthalmitis following cataract surgery in the UK: a case–control study of risk factors”, Eye, Vol.21, No.5, pp.580-586.
68.Kanski, J. J., Bowling, B. (2011). Clinical Ophthalmology: A Systematic Approach E-Book: A Systematic Approach E-Book, Saunders.
69.Karabatak, M., Ince, M. C. (2009). “A new feature selection method based on association rules for diagnosis of erythemato-squamous diseases”, Expert Systems with Applications, Vol.36, No.10, pp.12500-12505.
70.Li, J., Morlet, N., Ng, J. Q., Semmens, J. B., Knuiman, M. W. (2004). “Significant nonsurgical risk factors for endophthalmitis after cataract surgery: EPSWA fourth report”, Investigative ophthalmology & visual science, Vol.45, No.5, pp.1321-1328.
71.Martina, S., Baker, R., Stone, Nick, S., Conrad, B. (2011). “Support vector machine ensembles for breast cancer type prediction from mid-FTIR micro-calcification spectra”, Chemometrics and Intelligent Laboratory Systems, Vol.107, No.2, pp.363-370.
72.Marcano Cedeno, A., Quintanilla Dominguez, J., Andina, D. (2011). “WBCD breast cancer database classification applying artificial metaplasticity neural network”, Expert Systems with Applications, Vol.38, No.8, pp.9573-9579.
73.Miller, J. J., Scott, I. U., Flynn, H. W., Smiddy, W. E., Newton, J., Miller, D. (2005). “Acute-onset endophthalmitis after cataract surgery (2000-2004): incidence, clinical settings, and visual acuity outcomes after treatment”, American journal of ophthalmology, Vol.139, No.6, pp.983-987.
74.Ocampo, E., Maceiras, M., Herrera, S., Maurente, C., Rodriguez, D., Sicilia, M. A. (2011). “Comparing Bayesian inference and case-based reasoning as support techniques in the diagnosis of Acute Bacterial Meningitis”, Expert Systems with Applications, Vol.38, No.8, pp.10343-10354.
75.Oshika, T., Hatano, H., Kuwayama, Y., Ogura, Y., Ohashi, Y., Oki, K., Uno, T., Usui, N., Yoshitomi, F. (2007). “Incidence of endophthalmitis after cataract surgery in Japan”, Acta Ophthalmologica Scandinavica, Vol.85, No.8, pp.848-851.
76.Petrovic, S., Mishra, N., Sundar, S. (2011). “A novel case based reasoning approach to radiotherapy planning”, Expert Systems with Applications, Vol.38, No.9, pp.10759-10769.
77.Sangit, C., Matthew, L., Luck, A. L. (1996). “Genetic algorithm and their statistical applications: An introduction”, Computational Statistics & Data Analysis, Vol.22, pp.633-651.
78.Shi, K. L., Hui, L. (2005). “Optimized PWM strategy based on genetic algorithms”, Industrial Electronics, IEEE Transactions on, Vol.52, No.5, pp.1458-1461.
79.Schein, O. D., Steinberg, E. P., Javitt, J. C., Cassard, S. D., Tielsch, J. M., Steinwachs, D. M., Legro, M. W., Diener, W. M., Sommer, A. (1994). “Variation in cataract surgery practice and clinical outcomes”, Ophthalmology, Vol.101, No.6, pp.1142.
80.Shi, Y., Eberhart, R. C. (1998). “Parameter selection in particle swarm optimization”. Evolutionary Programming VII. Springer. pp. 591-600.
81.Solomon, R., Donnenfeld, E. D. (2003). “Recent advances and future frontiers in treating age-related cataracts”, JAMA: The Journal of the American Medical Association, Vol.290, No.2, pp.248-251.
82.Su, C. T., Yang, C. H. (2008). “Feature selection for the SVM: An application to hypertension diagnosis”, Expert Systems with Applications, Vol.34, No.1, pp.754-763.
83.Thompson, J. R., Sparrow, J. M., Gibson, J. M., Rosenthal, A . R. (1993). “Cataract and survival in an elderly nondiabetic population”, Archives of ophthalmology, Vol.111, No.5, pp.675.
84.VAPINK, V., (1998). Statistical Ieaming Theory: New York: the Wiley Press.
85.Weintraub, J. M., Willett, W. C., Rosner, B., Colditz, G. A., Seddon, J. M., Hankinson, S. E. (2002). “Smoking cessation and risk of cataract extraction among US women and men”, American journal of epidemiology, Vol.155, No.1, pp.72-79.
86.West, E. S., Behrens, A., McDonnell, P. J., Tielsch, J. M., Schein, O. D., Schein, D., Street, N. W. (2005). “Research Objective”, Ophthalmology, Vol.112, pp.1338-1394.
87.World Health Organization, (2005). from http://www.who.int/en/, data: 2013/5/10.
88.Wikipedia, (2011). from http://www.wikipedia.org/, data: 2013/5/10.
89.Wilson, G. A., Field, A. P., Wilson, N. (2001). “Smoke gets in your eyes: smoking and visual impairment in New Zealand”, New Zealand medical journal, Vol.114, No.1142, pp.471-474.
90.Yan, H., Jiang, Y., Zheng, J., Peng, C., Li, Q. (2006). “A multilayer perceptron-based medical decision support system for heart disease diagnosis”, Expert Systems with Applications, Vol.30, No.2, pp.272-281.
91.Zaidi, F. H., Corbett, M. C., Burton, B. J., Bloom, P. A. (2007). “Raising the benchmark for the 21st century—the 1000 cataract operations audit and survey: outcomes, consultant-supervised training and sourcing NHS choice”, British journal of ophthalmology, Vol.91, No.6, pp.731-736.


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 26.張瑞芳、陳玉鎔 (2012),「PSO值基於GARCH與EGARCH建構匯率預測模型」,亞太經濟管理評論,第15券,第2期,頁21-37。
2. 25.張偉斌、劉德明、王照元、紀櫻珍、吳忠敏、王堉璿、張偉嶠 (2011),「建構整合類神經網路與分類迴歸樹在大腸癌病患淋巴轉移之預測」,北市醫學雜誌,第8卷,第1期,頁13-22。
3. 24.苑守慈、王詩翔、張瑋倫 (2008),「智慧型老人居家照護-以替換調適模式之案例式推理為基礎」,資訊管理學報,第15卷,第2期,頁1-25。
4. 21.林正堅、黃雅紫、李繼永 (2007),「以粒子群最佳化演算法為基礎之改良型多層類神經網路於臉部辨識應用」,朝陽學報,第12期,頁417-436。
5. 20.林文修、李文瑞 (2005),「運用基因演算法建構糖尿病前期診斷模型之研究」,醫療資訊雜誌,第14卷,第1期,頁51-64。
6. 16.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,第7卷,第1期,頁154-169。
7. 15.李維平、張加憲 (2011),「改良粒子群演算法求解旅行銷售員問題」,先進工程學刊,第6卷,第1期,頁21-30。
8. 13.吳建和、張財源、王淑蕙 (2011),「白內障術後眼內炎預測模型之研究」,長榮大學學報,第15卷,第2期,頁99-115。
9. 5.王偉驎、林文燦、賴政皓、陳慧敏 (2008),「應用資料探勘技術提升急診醫學檢傷分類之一致性—以台灣某醫學中心急診醫學部為例」,品質學報,第15卷,第4期,頁283-291。
10. 27.郭信川、劉清祥、許凱雄 (2007),「鄰域型粒子群演算法於結構設計之應用」, 中國造船暨輪機工程學刊,第26卷,第3期,頁151-159。
11. 30.陳宗豪、楊顯爵、陳震遠、陳震武 (2009),「羅吉斯回歸模型的應用:內弧立子的傳導影響」,中正嶺學報,第37卷,第2期,頁1-10。
12. 33.傅家啟、白炳豐、陳得源、陳信華 (2009),「電腦輔助腮腺超音波乾燥症檢測系統開發」,醫療資訊雜誌,第18卷,第3期,頁42-54。
13. 38.葉怡成、杜進明、丁導民、王逸芸、劉謹豪 (2008),「關聯推理神經網路」,資訊管理學報,第15卷,第4期,頁51-78。
14. 42.蔡顯麞、劉湘川 (2009),「兩種脊迴歸模式與複線性迴歸模式之交互驗證比較」,測驗統計年刊,第17期,頁77-83。
15. 16. 楊志良(2010),「由活躍老化觀點建構國民健康新願景」,社區發展季刊,132 期,頁26-40。.