第四章 分析與結果
4.4 類神經網路模型
以臨床收集之資料 500 例來架構以及驗證此含碘顯影劑不良反應風險類神經網路預測 模型，隨機以 3：1 的比例來分為訓練組（Training set）375 例及測試組（Test set）125 例。先將訓練組資料輸入來架構類神經網路預測模型，研究結果系統初始一共建構 20
個不同結構的網路，系統自動設定保留 5 個效能表現較佳的類神經網路模型，最後再 分別計算五組類神經網路模型之 ROC curve、正確率（Accuracy）、敏感度（Sensitivity）、 特異度（Specificity）、AUC 五項數值，經計算之後選取一組五項數指標最高的類神經 網路模型做為本研究討論。最後系統自動保留的五組類神經網路模型皆為多層感知機 網路（MLP network）（如圖 9），而研究最終取得效能最好的類神經網路模型是一個前 饋式（Feed-forward），相互聯係（ Fully-connected），多層感知機架構的網路（MLP network），此類神經網路包含 3 層：輸入層共 11 個輸入變項，隱藏層共 9 個單位及輸 出層為 1 個單位。
圖 9 類神經網路訓練結果
最後再將測試組 125 例資料輸入到架構好的類神經網路預測模型，用以測試及驗證此
含碘顯影劑不良反應風險類神經網路預測模型在預測未曾輸入訓練的新資料時，是否 還能保持高的預測效能。並分開計算及觀察訓練組（Training set）及測試組（Test set）
其 ROC curve、正確率（Accuracy）、敏感度（Sensitivity）、特異度（Specificity）、AUC 五項數值如下：
1、Training set：共 375 例，其預測結果如表 23、ROC curve 如圖 10、正確率（Accuracy）
為 99.47％、敏感度（Sensitivity）為 90.91％、特異度（Specificity）為 100％、AUC 為 0.997。
表 23 Training set 預測結果表
實際有顯影劑過敏 實際無顯影劑過敏
預測有顯影劑過敏 20 0
預測無顯影劑過敏 2 353
圖 10 Training set ROC
正確率（Accuracy）＝【（20＋353）÷（20＋0＋2＋353）】×100％＝99.47％
敏感度（Sensitivity）＝【20 ÷（20＋2）】×100％＝90.91％
特異度（Specificity）＝【353 ÷（0＋353）】×100％＝100％
AUC＝0.997
2、Test set：125 例，其預測結果如表 24、ROC curve 如圖 11、正確率（Accuracy）為 98.4％、敏感度（Sensitivity）為 87.5％、特異度（Specificity）為 99.15％、AUC 為 0.933。
表 24 Test set 預測結果表
實際有顯影劑過敏 實際無顯影劑過敏
預測有顯影劑過敏 7 1
預測無顯影劑過敏 1 116
圖 11 Test set ROC
正確率（Accuracy）＝【（7＋116）÷（7＋1＋1＋116）】×100％＝98.4％
敏感度（Sensitivity）＝【7 ÷（7＋1）】×100％＝87.5％
特異度（Specificity）＝【116 ÷（1＋116）】×100％＝99.15％
AUC＝0.933
第五章
資料集（Imbalance dataset）的問題。而偏偏陽性資 料在我們醫學臨床的研究上，往往 會是我們所關注的焦點，所以對於定義到底多少的陽性資料可以稱為不平衡資料集，或是如何處理這類不平衡資料集，在近年的機器學習的研討會上亦成為熱門話題。
文獻上所提到的一些關於解決不平衡資料集的方法（Weiss, 2004）：如隨機放大陽性樣 本，隨機縮減陰性樣本等方法，但也都會造成扭曲訓練樣本之真實性的缺點（Weng, Poon, 2006）。雖然在本研究中測試組陽性資料之 AUC 效能表現尚佳，但如未來能有 更好的解決不平衡資料集之方法，相信不只在本研究中可以提高更高的預測率，對於 機器學習應用在醫學臨床方面的研究，也一定更有幫助。
在現階段醫學臨床知識範疇中，並無一完善的方法讓病患可以避免含碘顯影劑不良反
但是藉由本研究，可以探 索類神經網路，在含碘顯影劑所引起的不良反應方面的應用，
本研究中設計輸入預測模型的 12 項變數中，在內容效度比率（Content Validity Ratio, CVR）與內容效度指數 (Content Validity Index, CVI)以及信度檢定方面：
1、病患基本資料：性別的內容效度比率為 1、病患年齡的內容效度比率為 1；第一部 份整體病患基本資料的內容效度指數為 1。
2、病患過敏病史：過敏家族史的內容效度比率為 1、起床打噴嚏或流鼻水的內容效度 比率為 0.6、食物過敏的內容效度比率為 0.6、外在過敏原的內容效度比率為 0.6、藥物 過敏的內容效度比率為 1、呼吸道過敏的內容效度比率為 0.6、皮膚過敏的內容效度比
率為 1、自體免疫疾病的內容效度比率為 0.6、含碘顯影劑過敏的內容效度比率為 1；
在實際臨床含碘顯影劑不良反應中，陽性資料通常是少之又少，而此預測模型測試組 AUC＝0.933，推估原因應是醫學上陽性資料雖然往往遠少於陰性資料，但因輸入的變 數中過敏家族史、藥物過敏史以及曾經對含碘顯影劑過敏此三項變數，在預測模型中 佔有較大的權重，所以在預測模型的訓練以及測試的過程中，能夠輕易地對應出其應 有的預測值，以致會有如此高的 AUC。雖然此離子性或非離子性顯影劑過敏調查問卷 設計的變數即使以人工來觀察判斷也並非難事，但如果能經由 ANN 的連結加權、閾 值相互影響、適合處理複雜的非線性資料等特性，再進而配合電腦處理速度快及使用 方便等優點，促使臨床醫護人員可以利用類神經網路，針對含碘顯影劑不良反應，這 樣較具不確定性的非線性資料進行分析，並提供更準確的預測結果，進而成為方便快 速的臨床輔佐工具。
5.4 未來研究方向與建議
期望能撰寫一資訊輸入介面連結類神經網路預測模型，提供臨床醫護人員一簡單便利 的變數輸入介面，進而提高類神經網路預測模型的使用頻率，並在日後收集更多的含 碘顯影劑不良反應風險問卷資料，以期能使預測模型更穩定且可以達到提升預測模型 的準確率，使整個類神經網路預測模型更具臨床輔助上的實用價值。
參考資料
中文文獻
王朝曦。(民 93 年)。利用類神經模型來估計電源線的電流波形之研究。國立中央大學 電機工程研究所碩士論文，未出版，中壢市。
王嬿甄。(民 96 年)。利用小鼠皮膚過敏模式評估六種農藥佐劑之安全性。朝陽科技大 學生物技術研究所碩士論文，台中市。
王鐘賢。(2008)。實用解剖與生理學。台中市：華格那企業。
吳明隆。(2009)。SPSS 操作與應用問卷統計分析實務 (第二版)。台北市：五南。
李潤川、鄧木火、王世叡。(1997)。含碘對比劑事前試驗的預測價值。中華放射醫誌，
22，189-192。
周華、連恆榮、陳燕惠。(2004)。ADR 通報之藥品分析-含碘顯影劑。藥物安全簡訊，
6，7-10。
周鵬程。(2001)。遺傳演算法原理與應用-活用 Matlab。台北市：全華科技。
張斐章、張麗秋。(2006)。類神經網路 (初版)。台北市：東華書局。
莊克士。(1998)。醫學影像物理學。台北市：合記。
陳榮邦、李三剛、黃國茂、周宜宏。(2009)。推動全國放射線檢查之病人安全流程與 作業概況。中華民國放射線醫學會會訊，12，4-8。
黃百寬、蔡金築、夏清智、徐永勳。(2008)。顯影劑腎病變－個案報告和文獻回顧。
內科學誌，2(20)，171-180。
葉怡成。(2009)。類神經網路模式應用與實作 (九版)。台北市：儒林圖書。
謝明芝、陳啟昌、李潤川、陳榮邦。(2008)。放射線檢查之用藥安全流程。中華放射 醫誌，33，85-90。
蘇木春、張孝德。(2000)。機器學習：類神經網路、模糊系統以及基因演算法則。台 北市：全華科技。
英文文獻
Almén T. (1994). The etiology of contrast medium reactions. Investigative Radiology, 29(1), 37-45.
American College of Radiology Manual on Contrast Media. (1998). (4th ed.). Reston, VA:
American College of Radiology.
Amin M.M., Cohan R.H. & Dunnick N.R. (1993). Ionic and nonionic contrast media:
current status and controversies. Appl Radiology, 22, 41-54.
Ansell G., Tweedie M.C., West C.R., Evans P. & Coudh L. (1980). The current status of reactions to intravenous contrast media. Investigative Radiology, 15(6), 32-9.
Baxt W.G. (1995). Application of artificial neural networks to clinical medicine. Lancet, 346(8983), 1135-1138.
Bernstein J.A. (1995). Allergic drug reactions: How to minimize the risks. Postgard Med., 98(2), 159-166.
Boguniewicz M. (1995). Adverse reactions to antibiotics: 1s the patient really allergic?
Drug Safety, 13, 273-280.
Bush W.H., McClennan B.L. & Swanson D.P. (1993). Contrast media reactions: prediction, prevention and treatment. Postgraduate Radiology, 13, 137-147.
Christiansen C. (2005). X-ray contrast media-an overview. Toxicology, 209, 185-187.
Cochran S.T. (2005). Anaphylactoid reactions to radiocontrast media. Curr Allergy Asthma Rep., 5, 28-31.
Cochran S.T., Bomyea K. & Sayre J.W. (2001). Trends in adverse events after IV administration of contrast media. AJR, 176, 1385-1388.
Davies D.M., Ferner R.E. & Glanville H. de. (1998). Davies's Textbook of Adverse Drug
Reactions (5th ed. Vol. 971): Chapman and Hall Medical.
Delaney A., Carter A. & Fisher M. (2006). The prevention of anaphylactoid reactions to iodinated radiological contrast media: a systematic review. BMC Med. Imaging, 6,
（2）.
Descotes J. & Choquet-Kastylevsky G. (2001). Gell and Coombs’s classification : is it still valid ? Toxicology 158, 43-49.
Fogel D.B., Wasson E.C. 3rd & Boughton E.M. (1995). Evolving neural networks for detecting breast cancer. Cancer Lett, 96(1), 49-53.
Gibby W.A. (2005). Basic principles of magnetic resonance imaging. Neurosurg Clin N Am, 16, 1-64.
Hanley J.A. & McNeil B.J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29-36.
Hartman G.W., Hattery R.R., Witten D.M. & Williamson B. Jr. (1982). Mortality during excretory urography: Mayo Clinics experience. AJR, 139, 919-922.
Jagdish Singh & Aditya Daftary. (2008). Iodinated Contrast Media and Their Adverse Reactions. Journal of Nuclear Medicine Technology, 36(2), 69-74.
Jacobson H.G., Lentino W., Poppel M.H. & Zeitel B.E. (1956). Renografin: a new intravenous urographic mediurn. J Urol, 76(4), 461-465.
Katayama H., Yamaguchi K., Kozuka T., Takashima T., Seez P. & Matsuura K. (1990).
Adverse reactions to ionic and nonionic contrast medium. A report from the Japanese committee on the safety of contrast medium. Radiology, 175, 621-628.
Katzberg R. (1992). The Biologic Basis for Disease in Adults and Children. St. Louis, MO:
Mosby.
Laroche D., Namour F., Lefrançois C., Aimone-Gastin I., Romano A., Sainte-Laudy J., Laxenaire M.C. & Guéant J.L. (1999). Anaphylactoid and anaphylactic reactions to iodinated contrast material. Allergy, 54(58), 13–16.
Lawshe C.H. (1975). A quantitative approach to content validity. Personnel Psychology, 28(4), 564-575.
Li A., Wong C.S., Wong M.K., Lee C.M. & Au Yeung M.C. (2006). Acute adverse reactions to magnetic resonance contrast media-gadolinium chelates. The British Journal of Radiology, 79, 368-371.
Meth M.J. & Maibach H.I. (2006). Current understanding of contrast media reactions and implications for clinical management. Drug Safety, 29, 133-141.
Namasivayam S., Kalra M.K., Torres W.E. & Small W.C. (2006). Adverse reactions to intravenous iodinated contrast media: an update. Curr Probl Diagn Radiol. 35, 164-169.
Palmer F.J. (1988). The RACR survey of intravenous contrast media reations: final report.
Australas Radiology, 32, 426-428.
Pendergrass H.P., Tondreau R.L, Pendergrass E.P., Ritchie D.J., Hildreth E.A. & Askovitz S.I. (1958). Reactions associated with intravenous urography: historical and statistical review. Radiology, 71, 1-12.
Schmitt N. & Noe R.A. (1983). Demonstration of content validity: An assessment center example. Journal of Assessment Center Technology, 6, 5-11.
Shehadi W.H. (1982). Contrast media adverse reactions: occurrence, recurrence, and distribution pattern. Radiology, 143(1), 11-17.
Thomsen H.S. & Bush W. (1998). Adverse effects of contrast media: incidence, prevention and management. Drug Safety, 19, 313-324.
Tomida S., Hanai T., Koma N., Suzuki Y., Kobayashi T. & Honda H.( 2002). Artificial Neural Network Predictive Model for Allergic Disease Using Single Nucleotide polymorphisms data. Journal of Biosci Bioeng, 93(5), 470-478.
Venkatesan P. & Anitha S. (2006). Application of a radial basis function neural network for diagnosis of diabetes mellitus. Current Science, 91(9), 10.
Weiss G. (2004). Mining with rarity: a unifying framework. SIGKDD Exploration, 6(1),7-19.
Weng C.G. & Poon J. (2006). A data complexity analysis on imbalanced datasets and an alternative imbalance recovering strategy. International Conference on
IEEE/WIC/ACM, 270-276.
Wortzel R. (1979). Multivariate analysis. New Jersey: Prentice Hall.
電子資料
全球華人健康網（2006 年）．釓 gadolinium．2010 年 11 月 10 日取 自
http://www.jjkkusa.com/modules/news/article.php?storyid=495
佛教慈濟醫院衛教天地（2005 年）．認識含碘顯影劑．2010 年 11 月 09 日取 自
http://www.tzuchi.com.tw/a_f/f_tc/newRED/knowleage/page6_1.htm
國科會高瞻計劃資源平台（2010 年 11 月 01 日）．免疫的副作用－過敏反應（Allergy
reactions）
．2011 年 05 月 25 日取自
http://highscope.ch.ntu.edu.tw/wordpress/?p=14103
國科會高瞻計劃資源平台（2008 年 12 月 11 日）．硫酸鋇(Barium sulfate)．
癌症專家（2005 年 06 月 01 日）．核磁共振造影．2010 年 11 月 10 日取 自 http://cancer.idv.tw/06-breast/diagnosis.htm
附錄一，含碘顯影劑不良反應風險量表