基于深度学习的糖尿病辅助诊断及管理策略研究

发布时间：2020-07-14 11:11

【摘要】：近年来,我国慢性疾病患者数高居世界首位,糖尿病及其并发症作为其中一个重要组成部分严重影响人们的日常生活并对人类健康构成严重威胁。常规医疗诊断主要以医生多年临床经验结合仪器检测结果作为诊断依据,易造成误诊或漏诊现象,进而贻误最佳治疗时机。为在一定程度上解决常规医疗诊断的不足,本文采用深度学习技术,构建糖尿病及其并发症预测模型并对其进行分析,辅助医生进行更为全面可靠的诊疗决策,完善相应管理策略。通过文献调研,总结和收集糖尿病及其并发症诊疗特征和数据,归纳并比对深度学习相关模型和算法:以 Pima Indians Diabetes 和 Diabetic Retinopathy Debrecen 两种糖尿病相关数据为基础,采用BP神经网络、支持向量机和深度信念网络三种技术分别构建糖尿病及其并发症预测模型,进行预测研究以辅助医生诊疗决策。然后,选取分类准确度、敏感度和特异度作为评价准则,评估三种预测模型的性能。实验结果表明,深度信念网络在两种疾病中的测试效果优于其他两种算法。最后,利用深度信念网络疾病预测模型各层间的权值矩阵,计算模型各个输入属性与输出目标间的相对强度值,有针对性地、系统化地分析两种疾病中各个因素的影响。通过以上分析,针对II型糖尿病,提出糖尿病预防教育、个人防治和社区防治三种管理策略;针对糖尿病性视网膜病变,提出健康教育、多科联合和定期眼科检查的管理策略,以改善我国糖尿病及其并发症的管理控制现状。
【学位授予单位】：哈尔滨商业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R587.1
【图文】：

流程图,反向传播,正向传播,学习过程

出层得不到目标输出，则转入反向传播，将实际输出与目标输出间的误差沿原通路返逡逑回，逐层修改各层节点间的连接权重值，如此反复调整网络参数，直至误差达到最小为逡逑止。为了更清晰的理解整个ＢＰ神经网络的基本逻辑过程，本文根据图２－１所示参数具逡逑体描述ＢＰ神经网络算法的运算过程，并以流程图的形式展出（见图２－２）：逡逑（１）

示意图,非线性映射,核函数,线性不可分

它主要是针对线性可分情况进行分析，对于线性不可分的情况，通过非线性逡逑映射将低维输入空间线性不可分的样本转化至高维特征空间使其线性可分，从而使得高逡逑维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。如图２－３所示。逡逑非线性映射逦＼＼逡逑逦？邋逦？逡逑低维样本空间逦高维样本空间逡逑对应于逦’’逡逑非线性分类逦逦邋线性分类逡逑图２－３邋ＳＶＭ核心思想示意图逡逑在目前的研宄中，常用的非线性映射法即核函数有以下四种：逡逑（１）

受限,结构示意图,无监督学习

玻尔兹曼机（Ｂｏｌｔｚｍａｎｎ邋Ｍａｃｈｉｎｅ，邋ＢＭ）是一种反馈随机神经网络，包含一＂ｔ可见逡逑层和一个隐藏层，层与层之间对称完全连接且不存在自反馈。ＢＭ的神经元输出仅包括逡逑激活和未激活两种状态，分别使用数值０和１表示。如图２－４所示。ＢＭ基于统计学原逡逑理，可以通过无监督学习获取规则。但是其计算较为复杂，由此引入ＲＢＭ。逡逑榞逡逑图２－４邋ＢＭ结构示意图逡逑２．２．３受限玻尔兹曼机逡逑ＲＢＭ的架构强大，是在ＢＭ原理的基础上发展而来的。ＢＭ的优势在于其强大的逡逑无监督学习能力，能够从庞大的数据中学习到其中隐藏的规则。然而，它不能够计算出逡逑ＢＭ要表示的分布。所以，Ｓｍｏｌｅｎｓｋｙ提出了邋ＲＢＭＩ５３】，将ＢＭ原有的层间连接进行了逡逑限制。逡逑１８逡逑

【相似文献】