甲亢病情发展预测模型的研究与应用

发布时间：2020-12-31 21:49

　　随着医疗信息化的快速发展,如何充分利用长期积累的大量临床医疗数据,开掘和剖析医疗临床数据中的潜藏价值,从而指导医生临床判决,提高医疗服务的智能水平和医院的就诊效率,成为广泛关注的热点问题。甲状腺疾病中甲亢抱病率偏高且病情演变十分迟缓,发病时间长且会影响患者全身引起各种不适症状,现代医学领域中内分泌科对其非常关注。在临床治疗过程中,患者往往不清楚自身病情状况的严重程度,当问诊治疗时病情已经演化到了十分紧要的阶段。因此,甲亢疾病的早期干预至关重要。若能在早期阶段结合其临床检查数据对疾病未来发展状况进行预测,不仅可以方便患者了解自身病情,同时还可辅助医生评估和制定当前诊疗方案,如用药策略的选择、是否进行一些特殊和非常规的检查,从而对病情进行有指导的提前干预。因此,对甲亢病情预测的研究十分必要且具有重要的临床意义。目前,使用人工智能技术对甲状腺疾病进行疾病预测和风险评估等方面已存在相关研究成果,然而上述研究大都基于病理诊断数据、超声图像数据和用药记录数据等,大都关注于甲状腺疾病并发症分析、基于影像数据的分类诊断等,对于甲亢发展的阶段性特征以及甲亢发展过程中指标检查序列数据蕴含的深层发展规律并未... 

【文章来源】：东华大学上海市 211工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

RNN循环结构

隐层神经元前一时刻的状态 Ct-1将与当前时刻计算得到新的状态 Ct以及当前时刻序列的输出 ht，状态 Ct会隐层的权重矩阵和偏置向量等参数，在每一次循环迭代中都图 2-1 RNN 循环结构

图 2-3 LSTM 神经元结构循环计算公式如下：（1）遗忘门：筛选细胞状态中的废旧信息并丢弃。ft= sigmoid ( Wf* [ht-1, xt] + bf) （2）输入门：从输入中合理地获取需要更新的信息。it= sigmoid ( Wi* [ht-1, xt] + bi) ct= tanh ( Wc* [ht-1, xt] + bc) （3）更新细胞状态：新细胞状态=旧细胞状态×遗忘门结果+要更新的信Ct= ft* Ct-1+ it* ct（4）输出门：确定合理的输出值。ot= sigmoid ( Wo* [ht-1, xt] + bo) h= o* tanh(C)

【参考文献】：
期刊论文
[1]基于深度学习的神经网络智能图像识别技术应用于宫颈鳞状上皮内病变细胞学筛查的可行性研究[J]. 张世豪,冼丽英,高敏,陈志晓,李志焕.  中国临床新医学. 2019(03)
[2]基于XGBoost的糖尿病风险预测[J]. 苏天培.  科技视界. 2019(02)
[3]基于Vue.js的智能超市导航系统[J]. 王翔,沈为,曾丹.  工业控制计算机. 2018(12)
[4]深度学习优化算法研究[J]. 仝卫国,李敏霞,张一可.  计算机科学. 2018(S2)
[5]基于卷积神经网络提取超声图像甲状腺结节钙化点的研究[J]. 左东奇,韩霖,陈科,李程,花瞻,林江莉.  生物医学工程学杂志. 2018(05)
[6]中医药治疗甲状腺功能亢进症进展[J]. 宋恩邸,刘擎,陈霞波.  中医文献杂志. 2018(05)
[7]计算机网络及数据库在智能医疗方面的推广和应用[J]. 葛鑫泉.  科技传播. 2018(18)
[8]基于支持向量机的潜在高血压预测研究[J]. 周飞,邹宁,赵银歌,黄倩雅,刘可盈.  无线互联科技. 2018(01)
[9]MXNet基础的物联网数据处理实现[J]. 卓炜.  电脑迷. 2017(07)
[10]基于深度循环神经网络的时间序列预测模型[J]. 杨祎玥,伏潜,万定生.  计算机技术与发展. 2017(03)

硕士论文
[1]基于Theano深度学习框架的图像识别算法研究[D]. 孙园钦.吉林大学 2017



本文编号：2950372