维普资讯 http://www.cqvip.com
第２０卷第２期 ２００８年２月 化学研究与应用 Ｃｈｅｍｉｃａｌ Ｒｅｓｅａｒｃｈ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ Ｖｏ１．２０．ＮＯ．２ Ｆｅｂ．，２００８ 文章编号：１００４—１６５６（２００８）０２—０１１３－０４ 主成分分析一支持向量机用于肝病分类模型 张云佳 ，方亚平 ，黄田海 ，张 婧 ，谭福元 ，孙李娜 ，李梦龙 （１．四川大学化学学院，四川成都６１００６４；２．第三二四医院检验科，重庆４０００２０） 摘要：将主成分分析（ＰＣＡ）用于肝功能检测数据特征提取，然后用支持向量机（ＳＶＭ）对乙肝、丙肝、肝硬化、 正常人样本建立分类模型。采用高斯径向基函数（ＲＢＦ）为核函数，调节核函数参数ｃ及ｏｒ以建立最佳支持 向量机模型。该模型对训练集的识别率为９９．３％，对预测集的预测率为９６．４％。结果表明：ＰＣＡ—ＳＶＭ法建 立的肝病分类模型能较好的区分乙肝、丙肝、肝硬化及正常人，且分类效果优于传统支持向量机及人工神经 网络（ＡＮＮ）分类模型。 关键词：肝功能指标；主成分分析；支持向量机；人工神经网络 中图分类号：０６５７ 文献标识码：Ａ 肝炎是肝脏的一种常见疾病，流行较广，临床 上常用于肝功能检测的指标包括谷丙转氨酶 （ＡＬＴ）、谷草转氨酶（ＡＳＴ）、总蛋白（ＴＰ）、白蛋白 第三二四医院所收治经临床确诊的病人， 包括１８３例乙肝（Ｈｅｐａｔｉｔｉｓ Ｂ ｖｉｒｕｓ，ＨＢＶ）大三阳 （ＨＢｓＡｇ、ＨＢｅＡｇ、ＨＢｃＡｂ阳性）、１１５例乙肝小三阳 （ＨＢｓＡｇ、ＨＢｅＡｂ、ＨＢｃＡｂ阳性）、２８例丙型 （Ｈｅｐａｔｉｔｉｓ Ｃ ｖｉｕｓ，ＨＣＶ）肝炎、２００例肝硬化 ｒ（ＡＬＢ）、总胆红素（ＴＢＩＬ）、直接胆红素（ＤＢＩＬ）、碱 性磷酸酶（ＡＬＰ）、谷酰转肽酶（ＧＧＴ）。在此基础 上，临床医生还要结合患者临床的症状和体征，与 其他检测手段相结合，从而对病情做出全面而正 确的评价。 目前，已有通过判别分析，模糊模式识别，逐 步回归等方法对临床肝功能指标进行研究的报 （Ｈｅｐａｔｏｃｉｒｒｈｏｓｉｓ），以及７５例健康人。 对样本进行的临床肝功能检测项目为谷丙转 氨酶（ＡＬＴ）、谷草转氨酶（ＡＳＴ）、总蛋白（ＴＰ）、白 蛋白（ＡＬＢ）、总胆红素（ＴＢＩＬ）、直接胆红素 （ＤＢＩＬ）、碱性磷酸酶（ＡＬＰ）、谷酰转肽酶（ＧＧＴ）。 检测仪器为奥林巴斯全自动生化分析仪 道¨ 。支持向量机（Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ， ＳＶＭ）是建立在统计学习理论（Ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ，ＳＬＴ）基础上的一种机器学习算法，具有无 局部最小点、预测可靠性高且泛化能力强的特 点 Ｊ。本文将主成分分析与支持向量机法结合， 用于上述肝功能指标对肝炎、肝硬化的分类识别， ＡＵ２７００（日本产），肝功能指标数据用ｍａｔｌａｂ７．０ 软件进行编程及计算。数据统计结果（均值）见 表１。 １．２主成分分析 主成分分析法从可观测的变量中提取信息， 组成不可直接观测的隐含变量。它采用的主要原 则是使方差最大，尽可能多的保留原变量所包含 为医生对病人进行病情分析提供参考。 １数据收集与方法原理 １．１肝功能指标数据的收集 的信息，同时又用尽可能少的主成分替代原有变 量，从而使问题变得简单 。 样本为２００５年ｌ０月～２００７年１月间重庆市 收稿日期：２００７－０９・１０；修回日期：２００７一ＩＩ－２３ 基金项目：国家自然科学基金（２９８７７０１６）资助项目 联系人简介：李梦龙（１９６２一），男，博士，教授，主要从事化学计量学研究。Ｅｍａｉｌ：ｌｉｍｌ＠ＳＣＵ．ｅｄｕ．ＣＩ１ 维普资讯 http://www.cqvip.com
１１４ 化学研究与应用 表１ 乙肝、丙肝、肝硬化及正常人的检测结果 Ｔａｂｌｅ．１ Ｔｈｅ ｄｅｔｅｃｔｅｄ ｒｅｓｕｌｔ ｏｆ ｐａｔｉｅｎｔｓ ｗｉｔｈ ＨＢＶ，ＨＣＶ，ｈｅｐａｔｏｃｉｒｒｈｏｓｉｓ，ａｎｄ ｔｈｅ ｎｏｒｍａ１ 第２０卷 ｌ－ｍｅ￣＋ ．丛 ＨＢｅＡｂ＋ ３８（１４—７６）８２：３３ ＨｅｐａｔｏｃｉｔＭａｏａｉｓ ４２（２５—７７） ２５：３ Ｎｏｒｍａｌ ３６（１８—４８） ５５：１５ Ａｇｅ ３４（１３—６８） １２１：６２ ５１（２７～８２） １５２：４８ ｓｅｘ（１ｌｌｅｌｌ：ｗｏｍｅｎ） ＡＩ．Ｔ（Ｕ／Ｌ） ＡＳＴ（Ｕ／Ｌ） １２０．Ｉ（２３．０—８９１．Ｏ）４８．２（５．０—４１２．Ｏ）９１．２（１１．０—４２１．Ｏ）６２．Ｏ（１５．０—４９５．０）１９．５（６．０—１５２．０） ７５．７（１６．０—６７０．Ｏ）４４．４（１３．０—３４４．Ｏ）７０．１（１６．０—２５２．Ｏ）９３．Ｏ（１５．０—９７５．０） ２２．０（７．０—６５．０） ７５．２（６１ ０—１０２．６）７４．３（５６．ｏ－９１．９） ７４．２（５８．６—９１．Ｏ）６４．６（３８．８—９３．８）７７．Ｏ（５９．９—１３７．５） ４５．３（２８．１—６３．６）４５．４（２４．０—５５．７）４０．５（２５．９—５１．Ｏ）３１．９（１５．７—４８．６）４６．３（２２．８—６８．６） ２１．４（６．３—４７．４） １７．８（５．９—３３．１）４５．６（５．９—６６．７） ５０．４（７．８～２２１．０） ９．８（４．４—３０．５） 、 砥’（ｇ／Ｌ） ＡＬＢ（ｇ／Ｌ） ＴｍＬ（ｕｍｏｌ／Ｌ） ６ ７（Ｉ．６—２３．７） ７．６（Ｉ．７一１０．９） ２４．７（Ｉ．３一ＩＩＩ．４）２５．Ｏ（Ｉ．２－２６６．Ｏ）４．Ｉ（０．６—８．４） ＤＢＩＬ（ｕｍｏｌ／Ｌ） ＡＬＰ（Ｕ／Ｌ） ９６．０（２９．０—３４０．０）８２．５（１４．０—２７０．Ｏ）８２．３（４２．０—１５０．０）１４８．０（４２．０－５３２．０）７４．０（４１．０—１３１．０）４０．４（８．０—１２９．０）３６．１（７．０—１８１．Ｏ） ６５．２（８．０—２１２．０）８４．０（６．ｏ～３８７．０） ２６．８（８．ｏ－６８，Ｏ） ＧＧＴ ｌＷＬ） １．３支持向量机 支持向量机是建立在统计学习理论 （Ｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒｙ，ＳＬＴ）基础上的一种机 １１０例为预测集。 数据集中１至２４５为乙肝（１至１５５为乙肝大三 阳，１５６至２４５为乙肝小三阳），２４６至２６６为丙肝，２６７ 至４３１为肝硬化，３２至４９１为对照组的正常人。４ 器学习算法。支持向量机是从线性可分情况下的 最优分类面发展而来的，所谓最优分类超平面就 由于数据之间差异较大，在主成分分析前对 是要求分类筒不但能将两类正确分开（训练错误 其进行标准化处理。标准化后的数据通过主成分分析，得出主成 率为０），而且使分类间隔最大。前者保证经验风 ０５２、１．５９１、 险最小（为０），而后者实际上就是使推广性的界 分的特征根，由大到小依次为：３．中的置信范围最小，从而使得真实风险最小。距 １．４８３、０．９６２、０．５０４、０．２３９、０．１５１、０．０１９。分别计 离最优分类超平面最近的向量称为支持向量【８】。 算出每个特征根的贡献率为：３８．１４３、１９．８９１２。９９１、１．８８４、０．２３２。前四 本文采用的核函数是高斯径向基核函数（Ｒａｄｉｃａｌ １８．５３６、１２．０２０、６．３０２、个方差累计贡献率为８８．５９０％以上。由于方差贡 ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｉＲＢＦ）： 献率在８０％以上就已经能表征原始变量所能提供 １．４、人工神经网络 所以只需选择前四个主成分就 ＾工神经网络（Ａｒｔｉｉｆｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ＡＮＮ）是 的绝大部分信息，种基于模仿人体神经系统结构和功能而建立的信 已经足够。这四个特征根对应的特征向量见表２ 息分析处理系统，在医学数据处理Ｅ应用较广 。本 将这四个特征向量与原始数据相乘即得精简后的 文采用的ＢＰ神经网络分为三层，输入层、隐含层和 数据集。表２ ４个特征根所对应的特征向量 输出层。将肝功能指标作为输入层的结点，类别数作 Ｔａｂｌｅ．２ ＥｉｇｅｌＩｖｅｃｔｏｒｓ ｏｆｔｈｅ ａｂｏｖｅ ｆｏｕｒ ｅｉｇｅｎｖａｌｕｅｓ 为输出层神经元数。训练样本从输入层经隐含层向 ＰＣ１ ＰＣ２ ｐＣ３ Ｐｃ４ 前传播到输出层，得到输出结果。如果输出结果不能 ０．３２１ ０．５９３ Ｏ．２６６ ０．０Ｑ５ ０．３７１ ０．５２２ ０．０４７ ０．２３３ 达到期望值，那么网络转入反向传播过程，将误差信 ０．２４０ ０．４０８ ０．Ｏ６９ ０．７３４ 号沿原来的连接通路返回，通过修改各层神经元的权 ０．３６４ ０．４２ｌ ０．０８６ ０．１８２ ０．４５ｌ ０．１Ｏ７ ０．３７９ 值和阈值，逐次地向输入层传播进行计算，再经正向 ０ ３３８ ０．４４６ ０．０８８ ０．４０３ ０．３１７ 传播过程，这两个过程的反复运用，直到达到预期精 ０．２３９ ０．０９７ ０．６８０ ０．１８５ 度，网络训练结束。 ０．３３２ ０．０６４ ０．４６６ ０．２３ｌ ＿ 。——一—————一—————————２结果与讨论 ２．１ ＰＣＡ对数据预处理 将样本分为两部分，训练集和预测集。随机 ２．２ ＳＶＭ的参数选择及预测 选择乙肝２４５例（大三阳１５５例、小三阳９０例）、 丙肝２ｌ例、肝硬化１６５例、正常人６０例，总计４９１ 例为训练集。乙肝５３例（大三阳２８例、小三阳２５ 例）、丙肝７例、肝硬化３５例、正常人ｌ５例，总计 将乙肝大三阳和小三阳样本合并为乙肝类， 与丙肝、肝硬化、正常人共四类进行训练。训练前 首先进行参数优化。ＳＶＭ参数主要包括惩罚因子 Ｃ和核函数宽度ｓ。在确定Ｃ以及ｓ时，根据模型 分别对训练集和预测集的正确判别率，即识别率 和预测率，判断模型的优劣。而对于模型的优劣 而言，预测率比识别率更重要 。 维普资讯 http://www.cqvip.com 第２期 张云佳等：主成分分析一支持向量机用于肝病分类模型 １ １５ ＞、０ ８５ ｉ ０ ８０ 《０ ７５ ０ ５０ １００ ５０ ２００ ２５０ ｕ ２ Ｃ ａ 图１ Ｃ与正确率的关系（ｏｒ＝０．６） 图２ ｏｒ与正确率的关系（Ｃ＝２３） Ｆｉｇ．１ Ｔｈｅ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ Ｃ（ｏｒ＝０．６） Ｆｉｇ．２ Ｔｈｅ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎｔｒ（Ｃ＝２３） ａｎｄ ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ ｔｈｅ ａｃｃｕｒａｃｙ 图１和图２分别表示模型对训练集的识别率 化，优化后的模型其预测率分别为７０．７％、 和预测集的预测率随Ｃ和ｓ的变化关系图。 ７９．３％。预测效果不好，其原因可能在于这两者 图１可以看出，当Ｃ＝２５时，模型的识别率最 只用于区分ＨＢｅＡｇ或ＨＢｅＡｂ阳性，而对分类所选 高，为９９．３％，随着Ｃ值的增加，识别率逐渐降低，｝譬 ，ｕｕ《 ０ ０ Ｏ ０ 用的指标没有太大意义。 但下降趋势比较平稳。对预测率而言，当Ｃ＝２３ 根据ＳＶＭ算法的理论，ＳＶＭ对噪声比较敏 时，模型的预测率最高，为９６．４％，此时的识别率 感。主成分分析作为一种投影方法，可以在互不 为９８．９％。由于预测率对模型的重要性大于识别 相关且相互正交的新坐标轴构成的低维空间表示 率，选择参数Ｃ＝２３。 高维数据，进行数据压缩，由此大大降低了变量的 由图２可知，当ｓ＝０．５时，模型对识别率为最 维数。由于主成分分析的方差最大原则，主成分 优，当ｓ＝０．６时，模型对预测率为最优，综合考 能基本代表数据的结构，换句话说，可以通过少数 虑，选择ｓ＝０．６为模型参数。 的新变量重构数据，而并不损失原来的基本数据 当惩罚因子Ｃ＝２３，核函数宽度ｓ＝０．６时，利 信息。因此，可以用它来对肝功能指标进行特征 用建立的预测模型对预测集进行预测，预测率为 提取以达到压缩数据的目的。利用主成分提取数 ９６．４％。同样的，原始数据不经过ＰＣＡ特征提取， 据特征后，代替原始数据进行计算，减少了噪声， 找其最优Ｃ值和ｓ值，进行预测，其预测率为 提高了ＳＶＭ模型的预测率。 ９３．７％。 ２．３ ＢＰ神经网络预测 对乙肝类样本单独进行分类，随机选择１５０ 利用ＢＰ神经网络，对主成分分析处理后的数 例大三阳和９０例小三阳作为训练集，３３例大三阳 据以及原始数据分别建立模型，并对其参数进行 和２５例小三阳作为预测集。对原始数据和经主 优化。神经网络参数包括学习速率１１，动量因子 成分提取后的数据建立的模型分别进行参数优 。神经网络优化后的参数及计算结果见表３。 表３ ＳＶＭ与ＡＮＮ计算参数及结果比较 Ｔａｂｌｅ．３ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｃｌａｓｓｉｉｆｅｄ ｒｅｓｕｌｔ ｂｅｔｗｅｅｎ ＳＶＭ ａｎｄ ＡＮＮ ａ．ｃｌａｓｓｉｆｙ ｔｈｅ ｐａｔｉｅｎｔｓ ｏｆ ＨＢＶ：ｂ．ｃｌａｓｓｉｆｙ ａｌｌ ｐａｔｉｅｎｔｓ ａｎｄ ｔｈｅ ｎｏｒｌＴｌａｌ 维普资讯 http://www.cqvip.com
ｌｌ６ 化学研究与应用 第２Ｏ卷 由此可见，无论是支持向量机还是神经网络， 通过主成分对数据降维后，均能提高分类正确率。 而神经网络的分类效果明显劣于支持向量机。究 其原因，在于一般神经网络在训练过程中出现了 过拟和问题，即把各个学习样本的细节，有时甚至 错误利用训练的权值保存了下来，难以区分噪声 和真实信号，容易出现局部极值问题。而支持向 指标识别中，对乙肝、丙肝及肝硬化进行分类识 别，效果比较令人满意。但由于模型只概括了８ 个肝功能指标，而未考虑其他因素，如临床表现、 体征、病史及其他检测指标等，对于个别异常数 据，出现错分的情况是在所难免的。此外，由于部 队医院采集的样本多为男性患者，样本的性别以 及年龄等特征对模型是否有影响还有待更深入的 量机是一种基于结构风险最小化原理的分类技 研究。 术，本文将其与主成分分析相结合，应用到肝功能 参考文献： 『１１ Ｋｅｎｉｉ Ｉｋｅｄａ。Ｓａｔｏｓｈ／Ｓａｉｔｏｈ，Ｍａｓａｈｉｒｏ Ｋｏｂａｙａｓｈｉ，ｅｔ ａ１． ｂｒｏｓｉｓ ａｎｄ／ｏｒ ｆｉｖｅｒ ｃｉｒｈｏｓｉｓ’ｉｎ Ｅｇｙｐｔｉｎａ ｐａｔｉｅｎｔｓ ｗｉｔｈ Ｄｉｓｔｉｎｃｔｉｏｎ ｂｅｔｗｅｅｎ ｃｈｒｏｎｉｃ ｈｅｐａｔｉｉｔｓ ａｎｄ ｌｉｖｅｒ ｃｉｒｒｈｏｓｉｓ ｃｈｒｏｎｉｃ ｈｅｐａｔｉｉｔｓ ｃ［Ｊ］．Ｈｅｐａｔｏｌｏｇｙ Ｒｅｓｅａｒｃｈ，２００６，３４ ｉｎ ｐａｔｉｅｎｔｓ ｗｉｔｈ ｈｅｐａｔｉｔｉｓ Ｃ ｖｉｒｕｓ ｉｎｆｅｃｔｉｏＩＬ Ｐｒａｃｔｉｃａｌ （２）：１６３—１６９． ｄｉｓｃｒｉｍｉｎａｎｔ ｆｕｎｃｔｉｏｎ ｕｓｉｎｇ ｃｏｎｎｎｏｎ ｌａｂｏｒａｔｏｒｙ ｄａｔａ［Ｊ １． ［５］Ｂｅｒｍｕａｎ Ｊ．Ｍｕｌｔｉｖａｒｉａｔｅ ａｎａｌｙｓｉｓ ｏｆ ｐｍｇｎｏｔｉｃ ｆａｃｔｏｒｓ ｉｎ ＨｅｐａｔｏｌｏｇｙＲｅｓｅａｒｃｈ，２０００，１８（６）：２５２－２６６． ｆｕｌｍｉｎａｎｔ ｈｅｐａｔｉｉｔｓ Ｂ［Ｊ］．Ｈｅｐａｔｏｌｏｇｙ，１９８６，６：６４． ［２］林德馨 高永琳，黄伟明．逐步判别分析乙型病毒性肝 ［６］范金城，梅长林．数据分析［Ｍ］．北京：科学出版社， 炎血清学检测结果［Ｊ］．福建医科大学学报２００６，４０ ２００２：２５－２８． （１） ４４４７． ［７］樊家琨．应用多元分析［Ｍ］．南京：河海大学出版社， ［３］ 苗菁，王润华．病毒性肝炎病情严重程度的计算机判 １９９３：１４５—１４６． 别诊断－常用肝功能指标逐步判别分析［Ｊ］．重庆医科 ［８］邓乃扬，田英杰．数据挖掘中的新方法：支持向量机 大学学报，２０００，２５（２）：１２５—１２７． ［Ｍ］．北京：科学出版社，２００４：３－１０． ［４］Ａｂｄｅｌｆａｎ￣Ｍ Ａｔｔａｌｌａｈ，Ｇａｍａｌ Ｅ Ｓｈｉｈａ，Ｍｏｈａｍｅｄ Ｍ ［９］沈朋，康宇飞，程翼宇．乳腺癌代谢物组模式特征发现 Ｏｍｒｍ Ａ ｄｉｓｃｒｉｍｉｎａｎｔ ｓｃｏｒｅ ｂａｓｅｄ ｏｎ ｆｏｕｒ ｒｏｕｔｉｎｅ 方法及ＨＰＬＣ／ＭＳ／ＭＳ分析［Ｊ］．高等学校化学学报， ｌａｂｏｒａｔｏｒｙ ｂｌｏｏｄ ｔｅｓｔｓ ｆｏｒ ａｃｃｕｒａｔｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｓｅｖｅｒｅ ２００５．２６（１０）：１７９８—１８０２． Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ・ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｕｓｅｄ ｔｏ ｃｌａｓｓｉｆｉｅｄ ｍｏｄｅｌ ｏｆ ｌｉｖｅｒ ｄｉｓｅａｓｅ ＺＨＡＮＧ Ｙｕｎ．Ｊｉａ ，ＦＡＮＧ Ｙａ．Ｐｉｎｇ ，ＨＵＡＮＧ Ｔｉａｎ．Ｈａｉ ，ＺＨＡＮＧ Ｊｉｎｇ ， ＴＡＮ Ｆｕ．Ｙｕａｎ ，ＳＵＮ Ｌｉ－Ｎａ ，ＬＩ Ｍｅｎｇ—Ｌｏｎｇ ’ （１．Ｃｏｌｌｅｇｅ ｏｆ Ｃｈｅｍｉｓｔｒｙ，Ｓｉｅｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ ６１００６４，Ｃｈｉｎａ； ２．Ｄｅｐａｒｔｍｅｎｔ ｆｏ Ｃｌｉｎｉｃａｌ Ｌａｂｏｒａｔｏｒｙ，３２４ｔｈ Ｈｏｓｐｉｔｌａ ｆｏ ＰＬＡ，Ｃｈｏｎｇｑｉｎｇ ４０００２０，Ｃｈｉａｎ） Ａｂｓｔｒａｃｔ：Ｐｒｉｎｃｉｐａｌ ｅｏｍｐｏｎｅｎｔ ａｎａｌｓｙｉｓ（ＰＣＡ）ｉｓ ｕｓｅｄ ｔｏ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｔｈｅ ｆｉｖｅｒ ｆｕｎｃｔｉｏｎ ｔｅｓｔｉｎｇ ｒｅｓｌｕｔｓ，ａｎｄ ｔｈｅ ｃｌａｓｓｉｉｆｄｅ ｍｏｄｅｌ ｏｆｒｍｖｉＨＣＶ，ｈｅｐａｔｅｉｎ－ｅｈｓｉｓ ｐａｔｉｅｎｔｓ ｎａｄ ｈｔｅ ｎｏｒｍａｌ ｉｓ ｂａｓｅｄ ｏｎ Ｓｕｐｐｏ￣ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ）． ｅ ｒａｉｄｃａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ （ＲＢＦ）ｉＳ ａｄｏｐｔｄｅ ｓａ ａ ｋｅｒｎｅｌ ｆｎｕｃｔｉｏｎ ｏｆＳＶＭ，ｎａｄ ｈｔｅ ｍｏｄｅｌ￣ｕｓｔｓ Ｃ ａｎｄ叮ｔｏ ｂｕｉｌｄ ｈｔｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｃｌｓａｓｉｉｆｅｒ，ｗｈｉｃｈ ｍａｋｅｓ ｈｔｅ ｃｏｒｒｅｃｔ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｒａｔｉｏ ｏｆｔｈｅ ｔｒａｉｎｉｎｇ ｓｅｔ ｔｏ ｂｅ ９９．３％．ｗｈｉｌｅ ｔｈａｔ ｏｆ ｔｈｅ ｔｅｓｔｉｇｎ ｓｅｔ ｔｏ ｂｅ ９６．４％．Ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｃｌａｓｓｉｉｆｄｅ ｍｏｄｅｌ ｏｆ ｌｉｖｅｒ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ ＰＣＡ－ＳＶＭ Ｃａｎ ｃｌｓａｓｉｉｆｅｓ ｔｈｅ ＨＢＶ．ＨＣＶ．ｈｅｐａｔｏｃｉｒｒｈｏｓｉｓ ｐａｔｉｅｎｔｓ ａｎｄ ｔｈｅ ｎｏｒｍａｌ ｍｏｒｅ ｅｆｆｅｅｔｉｖｄｙ ｔｈａｎ ｔｈｅ ｔｒａｄｉｉｔｎｏａｌ ＳＶＭ ｏｒ ＡＮＮ． Ｋｅｙ ｗｏｒｄｓ：ｉｌｖｅｒ ｆｕｎｃｔｉｏｎ ｔｓｅｔ；ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＰＣＡ）；ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ）；ａｒｔｉｆｉｃｉｌａ ｎｅｕｒａｌ ｎｅｗｔｏｒｋ（ＡＮＮ） （责任编辑李方）
