| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-25页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-22页 |
| 1.2.1 肝纤维化诊断方法的金标准及存在的问题 | 第10-11页 |
| 1.2.2 血清学检测 | 第11页 |
| 1.2.3 超声图像 | 第11-13页 |
| 1.2.4 超声弹性成像技术 | 第13-19页 |
| 1.2.5 多种无创诊断方法的联合 | 第19-22页 |
| 1.3 本课题来源与论文结构 | 第22-25页 |
| 1.3.1 课题来源 | 第22页 |
| 1.3.2 研究问题与目标 | 第22-23页 |
| 1.3.3 论文的创新点 | 第23-24页 |
| 1.3.4 论文的结构与内容 | 第24-25页 |
| 第2章 基于统计学习的联合方法的理论基础 | 第25-39页 |
| 2.1 统计学习方法概述 | 第25-30页 |
| 2.1.1 统计学习的三要素 | 第25-26页 |
| 2.1.2 训练误差与测试误差 | 第26-28页 |
| 2.1.3 测量模型的误差估计 | 第28页 |
| 2.1.4 分类问题及常用评价指标 | 第28-29页 |
| 2.1.5 本论文采用的统计学习方法 | 第29-30页 |
| 2.2 基于ROC准则的线性组合模型 | 第30-31页 |
| 2.2.1 ROC曲线的概念 | 第30页 |
| 2.2.2 ROC准则及无协方差矩阵约束的最佳线性组合 | 第30-31页 |
| 2.3 Logistic回归模型 | 第31-33页 |
| 2.3.1 Logistic分布 | 第31页 |
| 2.3.2 二项Logistic回归模型 | 第31-33页 |
| 2.3.3 模型参数估计 | 第33页 |
| 2.4 支持向量机 | 第33-38页 |
| 2.4.1 线性可分支持向量机及最大间隔分类器 | 第33-36页 |
| 2.4.2 非线性支持向量机及核函数 | 第36-37页 |
| 2.4.3 使用松弛变量处理outlier | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 肝纤维化无创评估的临床研究 | 第39-42页 |
| 3.1 招募临床研究对象 | 第39页 |
| 3.2 组织学检查 | 第39页 |
| 3.3 生物化学检查 | 第39-40页 |
| 3.4 医用超声检测 | 第40-41页 |
| 3.4.1 腹部超声检查 | 第40页 |
| 3.4.2 超声弹性成像检查 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 肝纤维化临床数据处理及结果分析 | 第42-59页 |
| 4.1 临床数据处理的研究思路 | 第42-46页 |
| 4.1.1 研究思路 | 第42-43页 |
| 4.1.2 临床数据的统计特性 | 第43-44页 |
| 4.1.3 特征选择 | 第44-46页 |
| 4.2 基于ROC准则的线性组合模型的数据处理及结果分析 | 第46-49页 |
| 4.2.1 模型构建 | 第46页 |
| 4.2.2 模型测试 | 第46-49页 |
| 4.3 基于Logistic回归模型的数据处理及结果分析 | 第49-51页 |
| 4.3.1 模型构建 | 第49页 |
| 4.3.2 模型测试 | 第49-51页 |
| 4.4 基于支持向量机模型的数据处理及结果分析 | 第51-54页 |
| 4.4.1 模型构建 | 第51-52页 |
| 4.4.2 模型测试 | 第52-54页 |
| 4.5 三种模型及单一方法的性能比较 | 第54-56页 |
| 4.6 讨论 | 第56-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第5章 论文总结与展望 | 第59-62页 |
| 5.1 论文的主要贡献 | 第59-61页 |
| 5.2 存在问题及工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |
