基于深度图挖掘的医学概念表示

发布时间：2021-11-01 18:20

　　医学临床数据可视为患者在一次或多次住院过程中产生的一系列临床事件的集合,包括药物记录、疾病诊断记录、生理指标、化验结果、非文字记录（医学影像、心电图、录音等）、既往史、遗传史、诊疗费用等,这些事件记录在电子病历中,其复杂性现已接近基因组规模,通过对多种临床事件的分析,研究者能够更加灵活地对患病风险进行预测建模,对于疾病的早期发现和治疗具有重要的意义。然而,正是由于临床事件的复杂性和多样性,如何更好地利用临床事件对未来疾病进行诊断预测尤其具有挑战性。而医学概念是指药物记录、疾病诊断记录等蕴含丰富语义信息的临床事件,与血压、血糖测量值等数据不同,医学概念中隐含着大量语义关系,各种概念之间存在复杂的潜在联系,如何更好地进行医学概念的表示学习是准确把握患者信息的关键,对提高疾病预测精度尤为重要。目前,利用医学概念展开疾病诊断预测主要面临三个挑战:第一,医学概念表示问题,即如何有效利用医学概念隐含的语义信息。多数研究采用独热向量来对医学概念进行表示,使得输入矩阵高度稀疏,同时造成丰富语义的丢失。第二,临床事件时间依赖问题。时间信息对于患者病程发展尤为重要,相对早期事件,晚期事件更具价值。且临床事... 

【文章来源】：山东师范大学山东省

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 医学概念表示学习
        1.2.2 临床事件预测
    1.3 本文研究内容及贡献
        1.3.1 研究内容
        1.3.2 本文贡献
        1.3.3 结构框架
第二章 基于语义和可变间隔递归网络的医学概念表示方法
    2.1 引言
    2.2 基于语义的医学概念表示方法
        2.2.1 基于自然语言处理的语义表示
        2.2.2 融合子字信息的细粒度语义表示
    2.3 可变时间间隔长短时记忆网络模型
        2.3.1 长短时记忆网络
        2.3.2 基于时间间隔门控单元的长短时记忆网络
    2.4 实验结果与分析
        2.4.1 实验数据
        2.4.2 评价指标
        2.4.3 对比模型设置
        2.4.4 语义概念表达结果
        2.4.5 实验结果与分析
    2.5 本章小结
第三章 基于语义和时间卷积网络的医学概念表示方法
    3.1 引言
    3.2 基于时间卷积网络的医学概念预测
        3.2.1 一维全卷积网络
        3.2.2 时间卷积网络
    3.3 实验结果与分析
        3.3.1 实验数据
        3.3.2 模型参数
        3.3.3 评价指标
        3.3.4 对比模型
        3.3.5 实验结果与分析
    3.4 本章小结
第四章 基于异构图卷积的医学概念表示方法
    4.1 引言
    4.2 图网络结构
    4.3 深度时控异构图卷积模型
        4.3.1 多维信息异构图
        4.3.2 异构图卷积
        4.3.3 基于时间-事件关系的编解码预测
    4.4 实验结果与分析
        4.4.1 实验数据
        4.4.2 模型参数
        4.4.3 评价指标
        4.4.4 对比模型
        4.4.5 实验结果与分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间取得的科研成果
致谢


【参考文献】：
期刊论文
[1]基于图卷积网络的癌症临床结果预测的半监督学习方法[J]. 宁世琦,郭茂祖,任世军.  智能计算机与应用. 2018(06)
[2]基于电子病历系统的医疗质量评价现状与趋势探讨[J]. 叶全富,舒婷.  中华医院管理杂志. 2018 (07)
[3]基于改进深度信念网络的心血管疾病预测研究[J]. 逯鹏,王玉辰,李奇航,刘艳红,郭赛迪.  计算机应用研究. 2018(12)
[4]基于弹性网-SVM的疾病诊断关键特征识别[J]. 梁丽军,刘子先,王化强.  计算机应用研究. 2015(05)



本文编号：3470579