基于协同过滤和深度学习的临床决策支持方法研究

发布时间：2021-03-05 17:00

　　“健康中国2030”规划纲要明确指出,健康是促进人的全面发展的必然要求。推动健康科技创新,提升医疗健康服务水平已经成为国家发展战略。临床决策支持系统（CDSS）能够有效降低医生的误诊和漏诊率,一直是领域的研究热点。近年来,深度学习和协同过滤技术发展迅速,并越来越多的应用到不同领域。本文基于协同过滤和深度学习技术,对CDSS领域里的临床疾病辅助诊断和临床高危病症预测的方法进行深入研究。针对临床疾病辅助诊断问题,本文深入分析频繁发生的临床疾病信息缺失及其对临床决策的挑战。在此基础上,提出了基于用户的协同过滤、基于受限制波尔兹曼机（RBM）的协同过滤这两种无监督学习方法,以及基于辨识受限玻尔兹曼机（DRBM）的有监督学习方法,以此支持疾病辅助诊断。利用UCI数据库的皮肤病数据集和慢性肾炎数据集,通过随机方法产生3种不同缺失程度的缺失数据集,用于实验训练与验证提出的方法。实验结果表明,基于DRBM的方法整体性能最好,在两个数据集缺失度为30%时,仍有90%以上的分类准确率。针对临床高危病症预测,本文深入研究了基于脑电图（EEG）数据集进行癫痫发作预测存在的问题,特别对预测癫痫发作前片段的概率问... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

链式方程多元插值(MICE)

图 2-3 基于用户协同过滤的流程图体描述如下排矩阵通过统计两个用户间共同评价过的计算方法得到用户相似度矩阵。其共同评价过的物品的数量的统计值矩阵。、用户矩阵，找出与某个用户相似有用户喜欢的产品给目标用户推荐同过滤临床疾病辅助诊断模型协同过滤 CDSS 方案如下：本文根用户相似度的协同过滤方法做如下理或实验室化验结果等数据表示，

的 k 个用户，然后通过加权估计得到。具体来说，两个病人 定义为它们特征的 cosine 距离，被定义为： ( ) = π ‖ ‖ ‖ ‖（ π 表示患者特征的内积， π 表示 l2 范数。关于目标患者的评价打 = ( ) 式子，加权和考虑了用户特征越相似则预测缺失值，虽然 = ( ) ( ) 式考虑患在医生记录偏好、患者描述偏好，但由于患者各病症特征化验特征在着差异，所以不适合选用偏好过滤的方法来进行评估。具体来说的特征 被估计为： = ( ) ( ) π （ ( )表示患者 的邻居。在下图 2-4 中，描述了 9邻域的示了 9的缺失值通过其 3 个邻居对应属性的加权平均得到的过程。

【参考文献】：
期刊论文
[1]从患者视角研究医疗纠纷的数据统计分析[J]. 袁江帆,陈伟,高杨,白松,曹艳林.  中国医院. 2017(04)



本文编号：3065538