基于机器学习的智能临床决策方法研究

发布时间：2021-01-28 12:30

　　随着机器学习方法在各个领域的应用,近年来产生了很多具有现实意义的成果。医疗这一传统行业也存在很多富有前景和挑战性的的应用。本论文尝试通过机器学习方法,开发一种智能临床决策方法,为医生提供临床决策支持。具体地,本论文主要关注以下三个问题:临床信号的特征提取,药物相互作用的预测,以及临床治疗方案的推荐。对于临床信号,本文提出了一种数据驱动的多变量信号特征的提取方法。这一方法基于回声状态网络（ESN）将信号编码成特征。进一步的理论分析表明,基于自回归（AR）模型的特征提取方法可以看作是基于ESN方法的简化。实验结果表明,这种基于ESN的特征提取方法具有优越性,并为无监督医疗信号的特征提取建立了一个新思路。对于药物相互作用的预测,本文将其表述为一个多任务二元回归问题,将每种相互作用类型的预测作为一个任务来处理。与只计算相互作用矩阵中缺失项的矩阵方法相比,本文提出的方法可以直接对二元关系回归,从而获得了更好的可扩展性。为求解这一模型,本文还开发了一种有效的近似梯度方法。对于临床治疗方案的推荐,本文旨在开发一种算法,学习患者电子病历（EMR）中的历史数据,根据患者的疾病状况、化验结果和治疗记录为患... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
2 脑电信号数据的特征提取
    2.1 常见的信号数据特征提取方法
        2.1.1 基于线性模型的信号特征提取
        2.1.2 基于非线性模型的信号特征提取
        2.1.3 基于自编码器的信号特征提取
    2.2 基于回声状态网络的特征提取方法
        2.2.1 对信号数据的建模和预测
        2.2.2 单通道信号的特征提取
        2.2.3 多通道信号的特征提取
        2.2.4 回声状态网络自编码器和自回归系数的关系
    2.3 基于Kaggle脑电数据集的实验
        2.3.1 Kaggle数据集简介
        2.3.2 参数选择和特征提取
    2.4 基于Freiburg脑电数据集的实验
        2.4.1 数据集和实验设置
        2.4.2 单通道实验结果
        2.4.3 多通道实验结果
    2.5 本章小结
3 药品相互作用预测
    3.1 相关工作
        3.1.1 二元预测
        3.1.2 多任务学习
        3.1.3 现有研究局限
    3.2 药品不良反应预测模型
        3.2.1 基于多任务学习的预测模型
        3.2.2 模型的张量解释
        3.2.3 损失函数和优化方法
        3.2.4 优化求解
    3.3 实验及结果分析
        3.3.1 实验数据集
        3.3.2 评价指标
        3.3.3 实验结果
        3.3.4 案例分析
        3.3.5 假阳性分析
    3.4 本章小结
4 临床治疗方案的推荐
    4.1 研究框架
    4.2 相关工作
        4.2.1 医疗数据挖掘
        4.2.2 时间序列事件预测
    4.3 治疗方案推荐模型
        4.3.1 循环神经网络
        4.3.2 全连接的异质LSTM
        4.3.3 部分连接的异质LSTM
        4.3.4 分解异质LSTM
        4.3.5 添加静态信息
    4.4 实验
        4.4.1 数据来源及其预处理
            4.4.1.1 MIMIC-III
            4.4.1.2 EMRs数据集
            4.4.1.3 数据预处理
        4.4.2 MIMIC-III数据集上的实验
        4.4.3 EMRs数据集上的实验
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3004999