基于先验医学知识的电子健康记录机器学习预测模型

发布时间：2024-05-15 05:44

　　智能医疗借助于人工智能、物联网等技术,旨在实现医疗个性化、移动化。近年来通过电子健康记录预测潜在疾病的风险引起了人工智能领域的广泛关注,基于机器学习的疾病预测方法成为个性化医疗发展的核心研究课题。随着深度学习算法的发展,与传统的机器学习模式相比,在风险预测任务中,基于深度学习的方法能取得较好的效果。然而,现有的工作中较少考虑到先前的医学知识,如疾病与相应危险因素之间的关系。患者电子健康记录(Electronic Health Records,EHR)数据包括随时间推移的就诊序列,其中每次就诊包含多个医疗代码,包括诊断、用药和程序代码。因此,如何处理连续且高维的EHR数据,并将已有的医疗规则整合到现有的风险预测模型中以提高预测精度成为智能医疗面临的两大问题。为了应对以上挑战,本文将作如下研究:第一,针对高维EHR数据,本文采用双向循环神经网络来记忆过去和未来访问的所有信息,并引入三种注意力机制来衡量不同访问之间的关系进行预测。通过实验证明提出的方法对高维数据能进行有效的低维处理。第二,为了提高风险预测的准确率,本文提出了一种新的、通用的框架,称为风险预测任务PRIME,它可以使用后验正则...

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

图2.1传统机器学习流程

第2章相关理论及背景知识2.1传统机器学习理论机器学习是学习如何从观测数据（样本）中寻找规律，并利用学习到的规律对未知或无法观测的数据进行预测，不断调整网络参数，通过数学工具求解模型最优化的预测反馈，提高泛化能力、防止过拟合，其中的规律也就是常说的模型[xxvii]。机器学习问题....

图2.2半监督学习中样本示意图

主要是使用孤立森林或者基于密度的聚类，使用异常点检测的机器学习算法来滤波所有的异常点。2.1.3半监督学习半监督学习中部分样本有标记，部分样本无标记，如下图2.2所示。可分为纯半监督学习和直推学习两种，前者希望学得的模型适用于未观察到的数据，后者希望对数据集中未标记的样本进行预测....

图2.3TSVM与SVM对比结果

主要是使用孤立森林或者基于密度的聚类，使用异常点检测的机器学习算法来滤波所有的异常点。2.1.3半监督学习半监督学习中部分样本有标记，部分样本无标记，如下图2.2所示。可分为纯半监督学习和直推学习两种，前者希望学得的模型适用于未观察到的数据，后者希望对数据集中未标记的样本进行预测....

图2.4深度学习框架

已标记的数据使用“+”和“-”进行分类，以三角形表示未标记的数据。虚线代表由支持向量机生成的分类面，实线表示的分类面由TSVM产生。2.2深度学习理论传统上，机器学习算法的输入特性必须由原始数据手动设置，依靠专业技术和领域知识来确定先前感兴趣的显式模式。创建、分析、选择和评估适当....

本文编号：3973992