基于深度学习和医疗数据的疾病提前诊断和风险预测方法研究

发布时间：2021-07-22 04:55

　　随着计算机技术的广泛应用,电子医疗健康数据（Electronic Healthcare Records）也急剧增加,数据驱动的医疗数据分析方法也应运而生。通过合理地对医疗数据进行分析,可以在患病早期实现对疾病的提前诊断,或者根据病人的体检记录等数据对其身体健康状况进行分析,预测他未来患某种疾病的风险。然而,由于医疗数据格式混杂、很多记录不完整、含有大量噪声等问题,导致现在对于医疗数据的分析仍有较大难度。本文采用最新的深度学习模型,针对医疗数据中最常见的医疗检查图像和电子病历文字记录这两种格式的数据分别设计了不同的神经网络结构,并实现了对于疾病的提前诊断和风险预测。对于医疗检查图像数据,本文大脑核磁共振图像为例,首先将图像数据矩阵化,并计算大脑不同兴趣区之间的相关系数,之后设计了与此数据最为契合的Autoencoder的深度学习模型,提取不同兴趣区之间的相关性特征,对阿尔兹海默病实现精确的提前诊断。对于电子医疗病历数据,本文首次构建了3D卷积神经网络和空间金字塔池化相结合的模型,通过3D卷积神经网络提取数据内部特征和不同数据之间的时序特征,通过空间金字塔池化结构使模型可以处理任意长度的输... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

阿尔兹海默病提前诊断模型

并且对研究大脑工作机制、探索其中不同区域和评价大脑健康状况都有重要意义[60-62]。表 3.1 m 同时测试中的边缘分类预测的正样本 预测的负样本 正样本 Vaa Vai Ta = 负样本 Via Vii Ti = Pa = Vaa + Via Pi = Vai + Viim == P本文得到一个 90×90 的矩阵，这个矩阵保存的是 90 个大关系数。由于相关系数矩阵是对称的，可以单独使用上三析，以降低运算量。图 3.3 是计算得到的大脑网络的结构连线分别表示大脑不同的兴趣区和他们之间的功能相关性节点之间连接线的宽度和它们之间相关系数 Cij的绝对值

图 3.4Autoencoder 深度学习架构old 交叉验证本数据有限，本论文所设计的 Autoencoder 模型可能存在过少这一问题对于实验结果的影响，本文采用了 k-fold 交叉验中，k 被设置为 10。所有的受试者的样本被随机分成 10 个大，一个样本集作为验证集来验证 Autoencoder 模型的分类效集被用作训练集。接下来，交叉验证过程被重复 10 次，每次被用作验证集。在完成这些步骤之后，过拟合得到了很好结果讨论与性能分析


本文编号：3296479