基于机器学习的肾病辅助诊断系统的研究
发布时间：2021-04-19 06:03
目前我国利用机器学习技术解决的肾病辅助诊断多为基于中医证型的中医肾病辅助诊断,而以西医血生化、尿常规等化验项目为基础的西医肾病辅助诊断研究案例较少;并且中医证型的肾病诊断结果多为是否患有该肾病,对机器学习在多种常见肾病如肾衰竭、肾结石等肾脏疾病的明确诊断方面鲜有研究。本文将机器学习分类算法与医疗信息技术相结合,以常见的西医肾病化验数据为实验数据,利用K近邻、决策树、随机森林这3种分类算法建立肾病分类模型对6种常见肾病进行诊断。针对3种模型诊断性能的不足,本文提出利用二分类解决6种常见肾病多分类问题的方案,并利用随机森林算法进行了实验,得到新模型的肾病诊断准确率为87.7%的较好结果。本文的研究内容及研究重点如下:（1）通过介绍机器学习在医疗应用的工作流程解释了本文实验的流程。利用机器学习在医疗领域的功能分类引出本文实验利用分类算法解决常见肾病诊断的思想。根据机器学习常用分类技术的理论,提出了本文实验的建模方案。（2）介绍了实验数据的来源、数据特性。针对数据集的不规范、冗余、缺失等问题对数据进行了预处理;利用k近邻、决策树、随机森林这3种分类算法分别建立6种肾病多分类模型,实验得出随机森...
【文章来源】：青岛科技大学山东省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
本文研究方案
器学习在医疗领域和医疗辅助诊断的相关断中的技术方法应用于肾病辅助诊断中，验是否可行。医疗应用中理论基础是用医院设备检查身体健康状况，例如 CT化检验等。医疗辅助检查得到的结果会存助诊断就是通过分析存放在数据库中的医诊断评估[33]，从而达到辅助医生判断患者用于医疗的工作流程在医疗领域的流程主要有问题理解、医疗学习算法选择、模型训练、模型保存、模
图 2-2 K 近邻算法解释图Fig.2-2 Interpretation Graph of KNN示，蓝色方块和红色三角是两个已知类别，用来代代表病人患肾衰竭，蓝色代表不患肾衰竭，而绿色断该病人是否患肾衰竭。如果 K=3（即实线圆包含近样本中有两个红色三角和一个蓝色方块，红色三绿色圆属于红色三角这一类，病人患肾衰竭。若），根据 KNN 的思想容易看出绿色圆属于蓝色方见，K 值的选择对分类起到了至关重要的作用。就是近邻（样本间距离），近邻用距离度量，常用等[44]。K 近邻中样本的属性个数即特征维数，图 2 2 个，若样本属性个数是多个，可以映射到多维空流程图如下图 2-3 所示：
【参考文献】：
期刊论文
[1]腹膜透析联合血液透析治疗终末期肾病的临床效果[J]. 王江,陈帮明,刘干炎. 临床合理用药杂志. 2019(18)
[2]尿常规检验与生化检验在糖尿病诊断中的应用[J]. 周开慧,牟文密. 临床检验杂志(电子版). 2019(02)
[3]机器学习算法在中医诊疗中的研究综述[J]. 张晓航,石清磊,王斌,王炳蔚,王永吉,陈力,吴敬征. 计算机科学. 2018(S2)
[4]人工神经网络在肺癌风险预测中的研究与应用[J]. 陈国旺,蒋进,李帆,王大龙. 计算机时代. 2018(11)
[5]决策树模型在Ⅱ型糖尿病诊断中的应用[J]. 关红钧,马尔丽. 沈阳大学学报(自然科学版). 2018(05)
[6]数据预处理技术和机器学习方法在质子转移反应质谱中的应用[J]. 孙运,陈一冰,褚美娟,蒋学慧,汪曣,郭冰清. 质谱学报. 2018(05)
[7]数据挖掘在健康医疗领域中的应用研究综述[J]. 王若佳,魏思仪,赵怡然,王继民. 图书情报知识. 2018(05)
[8]机器学习和logistic回归模型预测严重烧伤患者发生急性肾损伤的比较分析[J]. 汤陈琪,李骏强,徐达圆,刘晓彬,侯文佳,吕开阳,肖仕初,夏照帆. 中华烧伤杂志. 2018 (06)
[9]IgA肾病的中西医治疗进展[J]. 王骞. 现代中西医结合杂志. 2018(08)
[10]大数据下数据预处理方法研究[J]. 孔钦,叶长青,孙赟. 计算机技术与发展. 2018(05)
博士论文
[1]基于数据挖掘的慢性肾炎肾阳虚证候诊断标准研究[D]. 陈为.成都中医药大学 2011
硕士论文
[1]黄疸类疾病辅助诊断系统的设计与实现[D]. 郭文敏.浙江工业大学 2017
[2]基于随机森林的肝硬化上消化道出血风险预测[D]. 李金.山西医科大学 2017
[3]数据挖掘分类算法的研究和应用[D]. 乐明明.电子科技大学 2017
[4]慢性肾脏病中医诊疗的药理辅助决策系统的研究[D]. 于亚运.电子科技大学 2017
[5]基于数据挖掘的王耀献教授辨治IgA肾病临床经验研究[D]. 孙紫薇.北京中医药大学 2016
[6]基于粗糙集的决策树分类方法研究[D]. 尹哲.大连海事大学 2016
[7]终末期肾脏病患者自我感受负担及影响因素分析[D]. 解修花.山东大学 2015
[8]基于决策树的档案文本自动分类算法研究[D]. 黄世反.云南大学 2015
[9]随机森林在文本分类中的应用[D]. 贺捷.华南理工大学 2015
[10]基于随机森林的神经肽剪切位点预测方法研究[D]. 陈实.华中科技大学 2015
本文编号：3146984
【文章来源】：青岛科技大学山东省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
本文研究方案
器学习在医疗领域和医疗辅助诊断的相关断中的技术方法应用于肾病辅助诊断中，验是否可行。医疗应用中理论基础是用医院设备检查身体健康状况，例如 CT化检验等。医疗辅助检查得到的结果会存助诊断就是通过分析存放在数据库中的医诊断评估[33]，从而达到辅助医生判断患者用于医疗的工作流程在医疗领域的流程主要有问题理解、医疗学习算法选择、模型训练、模型保存、模
图 2-2 K 近邻算法解释图Fig.2-2 Interpretation Graph of KNN示，蓝色方块和红色三角是两个已知类别，用来代代表病人患肾衰竭，蓝色代表不患肾衰竭，而绿色断该病人是否患肾衰竭。如果 K=3（即实线圆包含近样本中有两个红色三角和一个蓝色方块，红色三绿色圆属于红色三角这一类，病人患肾衰竭。若），根据 KNN 的思想容易看出绿色圆属于蓝色方见，K 值的选择对分类起到了至关重要的作用。就是近邻（样本间距离），近邻用距离度量，常用等[44]。K 近邻中样本的属性个数即特征维数，图 2 2 个，若样本属性个数是多个，可以映射到多维空流程图如下图 2-3 所示：
【参考文献】：
期刊论文
[1]腹膜透析联合血液透析治疗终末期肾病的临床效果[J]. 王江,陈帮明,刘干炎. 临床合理用药杂志. 2019(18)
[2]尿常规检验与生化检验在糖尿病诊断中的应用[J]. 周开慧,牟文密. 临床检验杂志(电子版). 2019(02)
[3]机器学习算法在中医诊疗中的研究综述[J]. 张晓航,石清磊,王斌,王炳蔚,王永吉,陈力,吴敬征. 计算机科学. 2018(S2)
[4]人工神经网络在肺癌风险预测中的研究与应用[J]. 陈国旺,蒋进,李帆,王大龙. 计算机时代. 2018(11)
[5]决策树模型在Ⅱ型糖尿病诊断中的应用[J]. 关红钧,马尔丽. 沈阳大学学报(自然科学版). 2018(05)
[6]数据预处理技术和机器学习方法在质子转移反应质谱中的应用[J]. 孙运,陈一冰,褚美娟,蒋学慧,汪曣,郭冰清. 质谱学报. 2018(05)
[7]数据挖掘在健康医疗领域中的应用研究综述[J]. 王若佳,魏思仪,赵怡然,王继民. 图书情报知识. 2018(05)
[8]机器学习和logistic回归模型预测严重烧伤患者发生急性肾损伤的比较分析[J]. 汤陈琪,李骏强,徐达圆,刘晓彬,侯文佳,吕开阳,肖仕初,夏照帆. 中华烧伤杂志. 2018 (06)
[9]IgA肾病的中西医治疗进展[J]. 王骞. 现代中西医结合杂志. 2018(08)
[10]大数据下数据预处理方法研究[J]. 孔钦,叶长青,孙赟. 计算机技术与发展. 2018(05)
博士论文
[1]基于数据挖掘的慢性肾炎肾阳虚证候诊断标准研究[D]. 陈为.成都中医药大学 2011
硕士论文
[1]黄疸类疾病辅助诊断系统的设计与实现[D]. 郭文敏.浙江工业大学 2017
[2]基于随机森林的肝硬化上消化道出血风险预测[D]. 李金.山西医科大学 2017
[3]数据挖掘分类算法的研究和应用[D]. 乐明明.电子科技大学 2017
[4]慢性肾脏病中医诊疗的药理辅助决策系统的研究[D]. 于亚运.电子科技大学 2017
[5]基于数据挖掘的王耀献教授辨治IgA肾病临床经验研究[D]. 孙紫薇.北京中医药大学 2016
[6]基于粗糙集的决策树分类方法研究[D]. 尹哲.大连海事大学 2016
[7]终末期肾脏病患者自我感受负担及影响因素分析[D]. 解修花.山东大学 2015
[8]基于决策树的档案文本自动分类算法研究[D]. 黄世反.云南大学 2015
[9]随机森林在文本分类中的应用[D]. 贺捷.华南理工大学 2015
[10]基于随机森林的神经肽剪切位点预测方法研究[D]. 陈实.华中科技大学 2015
本文编号：3146984
本文链接：https://www.wllwen.com/yixuelunwen/mjlw/3146984.html
最近更新
教材专著
