人工智能在骨质疏松症中的应用研究综述
发布时间：2021-08-04 22:25
骨质疏松症是一种发病率高、起病隐匿的疾病.若不及时发现,导致病情加重和死亡率增加,将给患者及家庭带来沉重的负担.人工智能技术可有助于骨质疏松症的早期发现,预测患者患病风险.首先综述了常用于骨质疏松领域的医学人工智能技术的基础理论和研究现状,然后从骨质疏松症的危险因素分析、风险预测、识别与诊断三方面入手,分析回顾了相关研究,以期为国内同行提供关于该领域研究的最新进展.同时指出目前人工智能技术在骨质疏松应用的制约因素和挑战,并提出未来展望,为国内开展相关研究提供参考.
【文章来源】：小型微型计算机系统. 2019,40(09)北大核心CSCD
【文章页数】：12 页
【部分图文】：
逻辑回归模型Fig．1Logisticregressionmodel
?．2决策树决策树(DecisionTree，DT)［17］是一种归纳学习算法，其利用一组无规则、无次序的实例推理出有效的分类规则，从而对数据进行分类．决策树先通过训练集进行学习，得到一个测试函数，然后根据不同的权值建立树的分支，即叶子节点，在每个叶子节点下又建立层次节点和分支，藉此生成决策树．决策树以树状图的形式表示预测结果，比较直观．常用的决策树算法包括ID3和C4．5等．ID3算法根据信息理论，采用划分后样本集的不确定性作为衡量划分好坏的标准，在每个分叶图2决策树模型Fig．2Decisiontreemodel节点选取时，选择信息增益最大的属性作为测试属性．C4．5是对ID3算法的改进和扩展，其用信息增益率来选择属性，克服了ID3在选择属性时偏向选择取值多的属性的不足，当属性值空缺时，通过使用不同的修剪技术以避免树的过拟合［18］．图2是简单的决策树模型．2．2．3随机森林随机森林(ＲandomForest，ＲF)［19］通过自助法重采样技术，从训练集中重复随机抽取k个分类树组成随机森林．新数据的分类结果按分类树投票多少形成的分数而定．其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样品．随机森林中的每棵树具有相同的分布，分类误差取决于每一颗树的分类能力和他们之间的相关性．特征选择采取随机的方法去分裂每一个节点，然后比较不同情况下产生的误差．能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目．单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分
［20］．2．2．4神经网络人工神经网络(ArtificialNeuralNetwork，ANN)是一种非线性映射方法，属于隐式数学处理方法，不需要建立数学模型，是由网络训练的数据概括出的知识，以多组权值及阀值的方式存储与各个神经元中，从而构建网络知识，利用该知识来评估或预测相关因素的结果［21］．在神经网络应用于骨质疏松症的诊断中，需要建立诊断分类的神经网络模型，利用神经网络对已有的数据集进行训练，并用测试集对其进行仿真测试，再对未知的病情进行诊断分析，以得到较为准确的分类结果．图3人工神经网络结构Fig．3Artificialneuralnetworkmodel在人工神经网络模型的训练过程中，无需人为确定权重，可以减少诊断过程的人为因素，从而提高诊断的靠靠性，使诊断结果更有效、更客观，有助于有效的降低骨质疏松诊断的误诊率和漏诊率［22］．图3是简单的人工神经网络模型．2．2．5支持向量机支持向量机(SupportVectorMachine，SVM)基于核函数的分类方法，联合多个参数值，在非线性空间利用支持向量机分类算法，能够实现有效的数据分类，得到非线性分类边界［23］．神经网络根据经验风险最小化原则(Empiricalriskminimization，EＲM)来训练学习，而支持向量机则根据结构风险最小化原则(StructuralＲiskMinimization，SＲM)提高学习的泛化能力，避免了神经网络存在的“过学习”问题［24］．支持向量机在图像处理、文本分类等领域应用广泛．但是，对于输图4支持向量机模型示意图Fig．4Supportvectormachinemodel入变量较多、样本集较大的情况下，支持向量机的计算复杂性和空间复杂性会急剧增加，导致训练时间长
【参考文献】：
期刊论文
[1]人工智能辅助诊疗发展现状与战略研究[J]. 孔鸣,何前锋,李兰娟. 中国工程科学. 2018(02)
[2]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[3]随机森林模型在ICU患者住院死亡风险预测中的应用[J]. 谢俊卿,蔺轲,李春晓,孔桂兰. 中国数字医学. 2017(11)
[4]基于特征融合的低倍镜下大鼠骨质疏松识别[J]. 蔡洁,周珂,何文广,吴天秀,王龙. 生物医学工程研究. 2017(02)
[5]FRAX和Garvan法评估中老年人群骨折风险效果比较[J]. 王俊,王雪君,方贞. 预防医学. 2017(03)
[6]基于显微CT多分形谱特征和支持向量机的骨质疏松诊断[J]. 刘健. 承德医学院学报. 2016(03)
[7]绝经后非糖尿病妇女骨质疏松症影响因素的Logistic回归和ROC曲线分析[J]. 李茂蓉,黄薇,欧小虹,姜艳,夏维波. 中国骨质疏松杂志. 2016(05)
[8]基于Logistic回归和随机森林算法的2型糖尿病并发视网膜病变风险预测及对比研究[J]. 曹文哲,应俊,陈广飞,周丹. 中国医疗设备. 2016(03)
[9]骨质疏松症患者颌骨骨密度与全身骨密度相关性研究进展[J]. 胡晓晖,王晨明. 中国骨质疏松杂志. 2015(12)
[10]基于线性组合的骨质疏松疾病诊断分类模型研究[J]. 李超,杨枢,周瑛. 电脑知识与技术. 2014(33)
博士论文
[1]骨质疏松遗传学的连锁排除和人工神经网络研究[D]. 陈湘定.湖南师范大学 2006
本文编号：3322516
【文章来源】：小型微型计算机系统. 2019,40(09)北大核心CSCD
【文章页数】：12 页
【部分图文】：
逻辑回归模型Fig．1Logisticregressionmodel
?．2决策树决策树(DecisionTree，DT)［17］是一种归纳学习算法，其利用一组无规则、无次序的实例推理出有效的分类规则，从而对数据进行分类．决策树先通过训练集进行学习，得到一个测试函数，然后根据不同的权值建立树的分支，即叶子节点，在每个叶子节点下又建立层次节点和分支，藉此生成决策树．决策树以树状图的形式表示预测结果，比较直观．常用的决策树算法包括ID3和C4．5等．ID3算法根据信息理论，采用划分后样本集的不确定性作为衡量划分好坏的标准，在每个分叶图2决策树模型Fig．2Decisiontreemodel节点选取时，选择信息增益最大的属性作为测试属性．C4．5是对ID3算法的改进和扩展，其用信息增益率来选择属性，克服了ID3在选择属性时偏向选择取值多的属性的不足，当属性值空缺时，通过使用不同的修剪技术以避免树的过拟合［18］．图2是简单的决策树模型．2．2．3随机森林随机森林(ＲandomForest，ＲF)［19］通过自助法重采样技术，从训练集中重复随机抽取k个分类树组成随机森林．新数据的分类结果按分类树投票多少形成的分数而定．其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于一个独立抽取的样品．随机森林中的每棵树具有相同的分布，分类误差取决于每一颗树的分类能力和他们之间的相关性．特征选择采取随机的方法去分裂每一个节点，然后比较不同情况下产生的误差．能够检测到的内在估计误差、分类能力和相关性决定选择特征的数目．单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样品可以通过每一棵树的分类结果经统计后选择最可能的分
［20］．2．2．4神经网络人工神经网络(ArtificialNeuralNetwork，ANN)是一种非线性映射方法，属于隐式数学处理方法，不需要建立数学模型，是由网络训练的数据概括出的知识，以多组权值及阀值的方式存储与各个神经元中，从而构建网络知识，利用该知识来评估或预测相关因素的结果［21］．在神经网络应用于骨质疏松症的诊断中，需要建立诊断分类的神经网络模型，利用神经网络对已有的数据集进行训练，并用测试集对其进行仿真测试，再对未知的病情进行诊断分析，以得到较为准确的分类结果．图3人工神经网络结构Fig．3Artificialneuralnetworkmodel在人工神经网络模型的训练过程中，无需人为确定权重，可以减少诊断过程的人为因素，从而提高诊断的靠靠性，使诊断结果更有效、更客观，有助于有效的降低骨质疏松诊断的误诊率和漏诊率［22］．图3是简单的人工神经网络模型．2．2．5支持向量机支持向量机(SupportVectorMachine，SVM)基于核函数的分类方法，联合多个参数值，在非线性空间利用支持向量机分类算法，能够实现有效的数据分类，得到非线性分类边界［23］．神经网络根据经验风险最小化原则(Empiricalriskminimization，EＲM)来训练学习，而支持向量机则根据结构风险最小化原则(StructuralＲiskMinimization，SＲM)提高学习的泛化能力，避免了神经网络存在的“过学习”问题［24］．支持向量机在图像处理、文本分类等领域应用广泛．但是，对于输图4支持向量机模型示意图Fig．4Supportvectormachinemodel入变量较多、样本集较大的情况下，支持向量机的计算复杂性和空间复杂性会急剧增加，导致训练时间长
【参考文献】：
期刊论文
[1]人工智能辅助诊疗发展现状与战略研究[J]. 孔鸣,何前锋,李兰娟. 中国工程科学. 2018(02)
[2]基于深度学习的医学图像识别研究进展[J]. 刘飞,张俊然,杨豪. 中国生物医学工程学报. 2018(01)
[3]随机森林模型在ICU患者住院死亡风险预测中的应用[J]. 谢俊卿,蔺轲,李春晓,孔桂兰. 中国数字医学. 2017(11)
[4]基于特征融合的低倍镜下大鼠骨质疏松识别[J]. 蔡洁,周珂,何文广,吴天秀,王龙. 生物医学工程研究. 2017(02)
[5]FRAX和Garvan法评估中老年人群骨折风险效果比较[J]. 王俊,王雪君,方贞. 预防医学. 2017(03)
[6]基于显微CT多分形谱特征和支持向量机的骨质疏松诊断[J]. 刘健. 承德医学院学报. 2016(03)
[7]绝经后非糖尿病妇女骨质疏松症影响因素的Logistic回归和ROC曲线分析[J]. 李茂蓉,黄薇,欧小虹,姜艳,夏维波. 中国骨质疏松杂志. 2016(05)
[8]基于Logistic回归和随机森林算法的2型糖尿病并发视网膜病变风险预测及对比研究[J]. 曹文哲,应俊,陈广飞,周丹. 中国医疗设备. 2016(03)
[9]骨质疏松症患者颌骨骨密度与全身骨密度相关性研究进展[J]. 胡晓晖,王晨明. 中国骨质疏松杂志. 2015(12)
[10]基于线性组合的骨质疏松疾病诊断分类模型研究[J]. 李超,杨枢,周瑛. 电脑知识与技术. 2014(33)
博士论文
[1]骨质疏松遗传学的连锁排除和人工神经网络研究[D]. 陈湘定.湖南师范大学 2006
本文编号：3322516
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/3322516.html
