Bland-Altman方法判定测量一致性

运用Bland-Altman分析水稻测量方法一致性
摘要：在农业生产中，对水稻穗长进行测量的数据是预测水稻产量，观测农作物生长情况的重要指标。

在实际测量中，经常会遇到评价两种或多种检测、测量方法结果一致性的问题。

一般情况下，其中一种方法是目前广泛应用的或被称为“金标准”的方法，在对水稻穗长进行测量的过程中，水稻穗长的手动测量方法即人工对每棵水稻的穗长进行测量，此测量数据可作为“金标准”。

而另一种方法则是更先进、更便于应用、更经济的方法，在对水稻穗长进行测量的过程中，水稻穗长的自动测量方法即使用机器视觉采集水稻穗长图像，然后用图像识别的方法获得每个水稻的穗长。

本文将通过运用Bland-Altman方法对水稻穗长测量实例的分析，来判断这两种方法是否可以互相替代。

一、原理和方法
Bland-Altman方法的基本思想是计算出两种测量结果的一致性界限，并用图形的方法直观地反映这个一致性界限。

最后结合水稻穗长的实际状况，得出两种测量方法是否具有一致性的结论。

1．一致性界限
在进行两种方法的测定时，通常是对同一批受试对象同时进行测量。

这两种方法一般不会获得完全相同的结果，总是存在着有一定趋势的差异，如一种方法的测量结果经常大于(或小于)另一种方法的结果，这种差异被称为偏倚。

偏倚可以用两种方法测定结果的差值的均数d进行估计，均数d的变异情况则用差值的来描述。

如果差值的分布服从正态分布，则95％的差值应该位于标准差S
d
和d+1．96Sd之间。

我们称这个区间为95％的一致性界限，绝大多数d-1．96S
d
差值都位于该区间内。

如果两种测量结果的差异位于一致性界限内在实际上是可以接受的，则可以认为这两种方法具有较好的一致性，这两种方法可以互换使用。

当样本量较小时，抽样误差会相对较大，因此还要给出95％一致性界限的上下限的置信区间。

差值均数的标准差SE(d)，一致性界限的上、下限的标准误近似等于1．71SE(d)，则可以分别计算出一致性界限上限的95％置信区间和下限的95％置信区间。

2．一致性界限的图形表示——Bland—Altman图
Bland-A1tman图以图形的方式反映一致性界限。

在二维直角坐标中，用横轴z表示两种方法测量每个对象的平均值，纵轴Ⅳ表示两种方法测量每个对象的差值，即可得到Bland—Altman图3.3。

图中上下两条水平实线代表95％一致性界限的上下限，中间实线代表差值的均数，虚线代表差值均数为0。

两种测量方法的一致程度越高，代表差值均数的实线越接近代表差值均数为0的虚线。

根据95％一致性界限外的数据点数和一致性界限内的最大差值，以及临床上的可接受程度，对待评价的两种方法的一致性做出评价。

Bland．Altman图还清楚地显示了观察过程中出现的极端情况，如图中最下方的两个点。

二、水稻穗长测量实验
运用Bland-Altman差值方法对两次实验结果进行比较，第二次显示采用机器视觉测量水稻穗长的方法与手动测量方法即“金标准”具有较好的一致性，这两种方法可以互相替换。

而第一次实验两种测量方法的一致性较差。

以下是运用Bland-Altman方法对水稻数据进行分析。

1.用Bland-Altman方法对第一次实验结果进行分析：
图1.1 第一次实验水稻穗长手动测量数据散点图
图1.2 第一次实验水稻穗长自动测量数据散点图图1.3 第一次实验使用Bland-Altman差值法分析图
图1.4 第一次实验使用Bland-Altman比值法分析图2.用Bland-Altman方法对第二次实验方法进行分析
图2.1 第二次实验水稻穗长手动测量数据散点图
图2.2 第二次实验水稻穗长自动测量数据散点图图2.3 第二次实验使用Bland-Altman差值法分析图
图2.4 第二次实验使用Bland-Altman比值法分析图
三、对Bland-Altman方法进行其他实验的验证
在本次作业中还对《Bland—Altman分析在临床测量方法一致性评价中的应用》论文中的方法进行了验证，实验证明，作业得出的结果与论文得出的结果一致。

可知，该方法和程序正确。

图3.1 sEDV数据散点图图3.2 mEDV数据散点图
图3.3 Bland-Altman差值法分析图
图3.4 Bland-Altman比值法分析图四、实验Matlab源代码
clear
close all
clc
data = xlsread('01.xls');
%data = xlsread('02.xls');
%data = xlsread('03.xls');
X=data(:,1);
Y=data(:,2);
%%%%%%%%%%%%%数据散点图%%%%%%%%%%%%%%%%%%%%%%%%%%% figure(1)
plot(X, 'g*');
figure(2)
plot(Y, 'g*');
%%%%%%%%%%%%Bland-Altman差值法%%%%%%%%%%%%%%%%%%%%%%% me1=mean(X-Y);
s1=std(X-Y);
figure(3)
plot((X+Y)/2,(X-Y),'r*');
hold on
hline=plot(60:200,ones(1,141)*me1,'b-');
text(200,me1, '(X-Y)');
plot(60:200,ones(1,141)*(me1-2*s1),'b-');
text(200,me1+2*s1, '(X-Y+2*sigma)');
plot(60:200,ones(1,141)*(me1+2*s1),'b-');
text(200,me1-2*s1,'(X-Y-2*sigma)');
xlabel('(X+Y)/2');
ylabel('X-Y');
hold off
%%%%%%%%%%%%%%%%Bland-Altman比值法%%%%%%%%%%%%%%%%%%% me=mean(X./Y);
s=std(X./Y);
figure(4)
plot((X+Y)/2,(X./Y),'r*');
hold on
hline=plot(60:200,ones(1,141)*me,'b-');
text(200,me, '(X/Y)');
plot(60:200,ones(1,141)*(me-2*s),'b-');
text(200,me+2*s, '(X/Y+2*sigma)');
plot(60:200,ones(1,141)*(me+2*s),'b-');
text(200,me-2*s,'(X/Y-2*sigma)');
xlabel('(X+Y)/2');
ylabel('X/Y');
hold off
%[muhat,sigmahat,muci,sigmaci] = normfit(X-Y, 0.05) %%%%%%%%%%%%% 获得95%置信区间的单边宽度%%%%%%%%%%%%%%%%% y=X-Y;
[midu, midsig, miduci, midsigci] = normfit (y, 0.05);
%midSigleW = miduci - midu;
midSigleW = s/sqrt(length(y)) * 2;
highSigleW = 1.71*s/sqrt(length(y)) * 2;
lowSigleW = 1.71*s/sqrt(length(y)) * 2; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%。