首页 > 文献资料
-
基于模拟退火法的医用电子加速器6MV X射线能谱重建
根据测量的中轴百分深度剂量(PDD)以及Monte-Carlo模拟的单能光子PDD,研究基于模拟退火(SA)算法重建医用电子加速器6MV X射线能谱的方法.在优化过程中,选择60个能量间隔,对应不同的相对权重,选择目标函数为重建PDD(即各相对权重与Monte-Carlo模拟单能光子PDD的乘积)与实测PDD之间的相关系数,运用模拟退火进行优化得到的优解就是加速器的能谱.为了验证算法的有效性,对加速器治疗头进行Monte-Carlo模拟,得到从治疗头出射的6 MV光子能谱.实验结果表明,计算能谱与Monte-Carlo模拟能谱在能谱形状、峰值能量方面一致;同时,根据重建能谱获得的PDD与实测PDD保持高度一致,均方根误差为1.56×10-4.上述实验结果表明,基于模拟退火算法重建光子能谱有效可靠.
关键词： 模拟退火 Monte-Carlo模拟 X射线能谱 百分深度剂量 -
几种差异基因分析方法及筛选效果的比较
目的 比较六种差异基因筛选方法的使用效果及适用性.方法 用Monte-Carlo方法产生不同类型的模拟数据,分别用不同的方法计算、评价其优劣.结果 多数情况下SAM法和稳健t检验表现出了优的筛选能力,SAM-ROC法则表现出更好的稳定性.结论 几种方法都能够有效地用于基因筛选,但各自的适应条件不同,综合看SAM法是基因筛选的首选方法,随机森林方法则具有较大的研究价值.
关键词： 微阵列数据 基因筛选 Monte-Carlo模拟 -
Cox模型影响点识别诊断统计量的模拟研究
目的 探讨Cox比例风险模型影响点的有效识别方法 .方法 通过Monte-Carlo模拟研究,比较了六种诊断统计量及相应诊断图对影响点的诊断效能.结果 模拟研究表明,加权score残差、似然距离和大影响曲率及其诊断图可从模型拟合不同角度有效识别影响点.结论 影响分析应是Cox模型分析的一个重要组成部分,加权score残差、似然距离和大影响曲率是有效识别影响点的诊断统计量.
关键词： Cox模型 回归诊断 影响点 Monte-Carlo模拟 -
Bland-Altman一致性评价的样本含量估计
目的 两种定量测量方法的一致性评价普遍采用Bland-Altman方法,但有关其样本含量的估计迄今未见报道.本文初步探讨Bland-Altman一致性评价的样本含量估计方法.方法 根据Bland-Altman方法采用LoA可信区间进行一致性推断的原理,对相应的样本含量公式进行了理论推导,并借助Monte-Carlo模拟方法对计算公式进行了正确性验证.通过事先确定α和β水平,采用导出的公式计算出两方法测量结果差值总体均数不同水平下的样本含量,并分别模拟获得相应样本含量下的把握度.结果 模拟获得的把握度与事先给定的β水平能够很好地吻合,验证了计算公式的正确性.结论 本文导出的样本含量计算公式可以用于Bland-Altman一致性评价研究.
-
基于β分解的等效性试验样本含量估计
目的:两组平行阳性对照的等效性试验中时常会遇到两总体均数之差不为0(δ≠0)的情形,而目前的样本含量估计公式并未很好考虑不同δ时β的分解问题,因而造成样本含量估计的偏差,无法达到理想的把握度.本文探讨服从正态分布连续性变量为主要指标的等效性试验样本含量估计的通用方法并验证其正确性.方法:根据等效性试验的统计推断原理,基于β分解和非中心t分布理论,对样本含量计算公式进行了理论推导,并计算出不同参数设置下的样本含量,借助Monte-Carlo模拟方法对相应的样本含量逐个进行把握度模拟验证.结果:不同参数设置下模拟获得的把握度与事先设定的目标把握度水平均能很好地吻合,验证了样本含量估计方法的正确性.结论:本文给出的样本含量估计方法可以通用于主要指标为正态分布连续性变量的等效性试验.
关键词： 等效性试验 样本含量 把握度 Monte-Carlo模拟 -
logistic回归系数可信区间估计及假设检验的三种方法比较
目的:比较logistic回归分析中估计回归系数可信区间及假设检验的三种方法.方法:从理论上介绍Wald、Bootstrap和轮廓似然三种方法,比较其应用前提.应用Monte-Carol模拟方法,分别产生自变量为二分类变量和连续型变量的二分类logistic分析数据,比较三种方法的准确性和稳定性.结果:无论自变量为连续型或二分类变量,Bootstrap法和轮廓似然法的检验效能均高于Wald法,该差异在小样本情形下更为明显.但Bootstrap方法的稳定性较差,对I类错误的控制也欠佳.结论:轮廓似然方法为稳健,能严格控制I类错误率,且检验效能优于Wald方法,值得推荐.
关键词： Logistic回归 可信区间 Monte-Carlo模拟 -
基于Logistic模型的亚组识别方法
目的 基于Logistic模型,提出一种适用于结局为二分类变量的阳性对照、双臂临床试验的亚组识别方法,并利用亚组相关协变量建立亚组人群判别模型.方法 首先基于两处理组,分别建立二分类Logistic回归模型,计算出每一个患者在不同处理组内的阳性概率并进行比较,然后根据所建立的规则将患者分到各自对应的亚组中,建立多分类Logistic模型.模拟不同样本量下的错判率、正确判断率、符合率和模型判对率且进行实例分析.结果 不同样本量下,错判率均在0.07以下;正确判断率均达到0.75以上;符合率和模型判对率分别在72％以及92％以上.结论 本研究所提出的亚组识别方法是一种有效可靠的亚组识别方法.
关键词： 亚组识别 Logistic回归 Monte-Carlo模拟 临床试验
