賴辰霄

摘要：采用logistic回歸，逐步回歸以及假設(shè)檢驗等統(tǒng)計知識，對Coimbra 乳腺癌的數(shù)據(jù)（http：//archive.ics.uci.edu/ml/datasets/Breast+Cancer+Coimbra）分類分析，得到BMI，Glucose，Insulin，HOMA，Resistin等五個變量為影響乳腺癌的主要變量，并且得到了各個變量前的系數(shù)。與此同時，計算了預測準確率其中健康人群的預測準確率為75%，癌癥患者的預測準確率達到了77%。為了進一步證明模型的可行性，我們采用了假設(shè)檢驗進行檢驗，通過p值和t值可以看出我們得到的變量都通過了檢驗。

關(guān)鍵詞：乳腺癌;logistic回歸;逐步回歸;假設(shè)檢驗;p值

中圖分類號：F24文獻標識碼：Adoi：10.19311/j.cnki.16723198.2019.08.042

1序言

乳腺癌是發(fā)生在乳腺上皮組織的惡性腫瘤，乳腺并不是維持人體生命活動的重要器官，原位乳腺癌并不致命;但由于乳腺癌細胞喪失了正常細胞的特性，細胞之間連接松散，容易脫落。癌細胞一旦脫落，游離的癌細胞可以隨血液或淋巴液播散全身，形成轉(zhuǎn)移，危及生命，所以目前乳腺癌已成為威脅女性身心健康的常見腫瘤。在全球范圍內(nèi)，乳腺癌是女性的主要癌癥類型，占所有病例的25%。在2012年，它導致了168萬例新病例和522000例死亡。影響乳腺癌發(fā)病的因素有很多，本文旨在通過對于乳腺癌發(fā)病者特征的數(shù)據(jù)收集整理，運用多元線性回歸的知識擬合出一個具體的模型，從而探究乳腺癌發(fā)病的某些規(guī)律，找出影響乳腺癌的主要因素，以及這些因素和乳腺癌之間的相關(guān)關(guān)系。利用相關(guān)的統(tǒng)計檢驗對建立的模型就行檢驗，并配以統(tǒng)計的相關(guān)軟件R語言對搜集的數(shù)據(jù)進行計算機模擬建模。所使用的R語言軟件的版本為R-3.4.4。相應(yīng)的數(shù)據(jù)獲取地址為：http：//archive.ics.uci.edu/ml/datasets/Breast+Cancer+Coimbra 。該數(shù)據(jù)來源于：Miguel Patrício（miguelpatricio '@' gmail.com），José Pereira （jafcpereira '@' gmail.com），Joana Crisóstomo （joanacrisostomo '@' hotmail.com），Paulo Matafome（paulomatafome '@' gmail.com），Raquel Seia（rmfseica '@' gmail.com），F(xiàn)rancisco Caramelo（fcaramelo '@' fmed.uc.pt），all from the Faculty of Medicine of the University of Coimbra and also Manuel Gomes （manuelmgomes '@' gmail.com） from the University Hospital Centre of Coimbra 獲取的日期為：2018年3月6日。

乳腺癌的病因尚未完全清楚，研究發(fā)現(xiàn)乳腺癌的發(fā)病存在一定的規(guī)律性，具有乳腺癌高危因素的女性容易患乳腺癌。所謂高危因素屬于與乳腺癌發(fā)病有關(guān)的各種危險因素，而大多數(shù)乳腺癌患者都具有的危險因素就稱為乳腺癌的高危因素。發(fā)展乳腺癌的危險因素包括女性、肥胖、缺乏體育鍛煉、飲酒、更年期激素替代療法、電離輻射、月經(jīng)初潮、較晚生育或根本沒有孩子、年齡較大、乳腺癌的既往史，家族史等。

本文在了解乳腺癌的當前現(xiàn)狀后，使用統(tǒng)計學的手段。首先收集數(shù)據(jù)，來自于http：//archive.ics.uci.edu/ml/datasets/Breast+Cancer+Coimbra 。通過分析數(shù)據(jù)的結(jié)構(gòu)，該數(shù)據(jù)的應(yīng)變量為二分類數(shù)據(jù)，適用于統(tǒng)計的Logistic回歸的研究。采用Logistic回歸，逐步回歸，假設(shè)檢驗等統(tǒng)計手段我們得到合適的模型，找到影響因子以及模型的參量。

4總結(jié)

本文采用logistic回歸，逐步回歸以及t檢驗和F檢驗等統(tǒng)計知識，對Coimbra 乳腺癌的數(shù)據(jù)進行分析，得到相應(yīng)的統(tǒng)計模型。根據(jù)該數(shù)據(jù)本身具有的應(yīng)變量為類別變量，我們相應(yīng)的選取logistic 模型，又在建模的過程中為了進一步的優(yōu)化所得到的模型，我們選取逐步回歸的方法得到了BMI，Glucose，Insulin，HOMA，Resistin等五個變量為影響乳腺癌的主要變量，對應(yīng)的我們得到了他們相應(yīng)的系數(shù)關(guān)系，最后為了說明模型的可行性，我們采用了假設(shè)檢驗，并通過t值和P值可以看出我們得到的變量都通過了檢驗。與此同時，采用我們的方法和這組數(shù)據(jù)，我們對預測的結(jié)果計算了預測準確率，其中健康人群的預測準確率為75%，癌癥患者的預測準確率達到了77%。但是值得注意的是：

（1）數(shù)據(jù)里面的y值是1表示健康人群，2表示乳腺癌患者，但在我們的模型中為了使用logistic回歸的方便，我們把y值為1的部分都全部用0表示，也就是說健康人群最終模擬的結(jié)果應(yīng)該是預測為0的部分。同理，y值為2的部分全部用1表示，也即，乳腺癌患者的結(jié)果預測值應(yīng)該為1。

（2）由于實際的數(shù)據(jù)是連續(xù)的實數(shù)，所以我們得到的y值不會確切的等于0或者1，為此我們在處理的過程中，在y值大于0.5的時候記為1，其他記為0。

但是，對于乳腺癌的研究在以前有相當一部分的研究。本文最終得到的結(jié)果是基于數(shù)據(jù)而來的，對于不同的研究機構(gòu)會有不同自變量的數(shù)據(jù)，所以得到的影響乳腺癌的因素和本文的不一致也就是理所當然的。為此，本文在接下來的工作中應(yīng)該查閱更多的資料以及搜集更多的數(shù)據(jù)為研究乳腺癌做出更多貢獻。

參考文獻

[1]全球癌癥報告2014[R].世界衛(wèi)生組織2014.

[2]Selvaraju，Balasubramaniam，D.Rajendran，D.Kannan and M.Geetha.Multiple linear regression model for forecasting Bluetongue disease outbreak in sheep of North-west agroclimatic zone of Tamil Nadu，India[J].Oringnal Research，2013：321324.

[3]吳高鳳，劉慶曉.應(yīng)用統(tǒng)計基礎(chǔ).[M].北京：中國人民大學出版社，2017.

[4]湯銀才.R語言與統(tǒng)計分析[M].北京：高等教育出版社，2008：166169.

[5]Diane J.Berry.，Karani S.Vimaleswaran，John C.Whittaker，Aroon D.Hingorani，Elina Hyppo¨ nen.Evaluation of Genetic Markers as Instruments for Mendelian Randomization Studies on Vitamin D[J].Plose One，2012，7（5）：37465.

[6]Breast Cancer Coimbra Data Set[DB/OL].2018.

[7]Patrício，M.，Pereira，J.，Crisóstomo，J.，Matafome，P.，Gomes，M.，Seia，R.，& Caramelo，F(xiàn).Using Resistin，glucose，age and BMI to predict the presence of breast cancer[J].BMC，2018.

[8]David Hallac，Jure Leskovec，Stephen Boyd.Network Lasso：Clustering and Optimization in Large Graphs[J].ACM，2015.