基于深度学习的多疾病风险预测模型研究

发布时间：2021-01-13 16:48

　　随着医疗数字化技术、人工智能和大数据技术的发展,医疗模式逐渐从以治疗为主转变为以预防为主。将人工智能和大数据技术结合用于疾病风险预测是智能医疗领域的一个研究重点。疾病风险预测是指发现疾病的潜在风险和趋势,对于疾病的预防、干预和管理具有重要作用。在实际生活中,经常发现人们同时患有多种疾病的潜在风险和趋势,这种问题属于多疾病风险预测问题。为了有效地处理多疾病风险预测问题,研究学者已经设计了许多较好的算法。本文采用深度学习来处理多疾病风险预测问题,因为深度学习技术最近非常受欢迎。在多疾病风险预测模型设计中,本文专注于深度学习算法设计和改进。本文首先采用问题转化方法将多疾病风险预测问题转化为多标记学习问题。因为问题转化方法能够使算法独立,只需进行多疾病标记转换工作,并采用Binary Relevance（BR）和Label Powerset（LP）这两种常见的问题转化方法对多疾病标记分别进行转化。在问题转化方法基础之上,本文设计了一个新颖的卷积神经网络框架,命名为GroupNet,并分别与BR和LP方法进行结合。GroupNet网络框架的核心组成部分是本文提出的组模块,组模块由组卷积和聚类卷积... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

疾病标记分析图

从总体趋势来看，随着训练周期增多，准确率也随之上升，但是当训练周期超过 20 时，准确率开始下降。主要原因可能是训练周期过多，导致模型过拟合。根据实验结果，本文选择训练周期数为 20。图 4.3(b)为学习率和准确率之间的变化关系，本文设置 12 组不相同学习率。从实验结果可知当学习率较小时，准确率结果之间的差距不大。但是当学习率超过 0.02 时，准确率骤降，因此，较大学习率不适合本文的数据集。基于准确率的对比结果，本文选择学习率的大小为0.002。图 4.3(c)为批量大小和准确率之间的变化关系，其变化规律和图 4.3(a)类似，总体趋势为批量大小变大，准确率上升，当批量大小超过 128 时，准确率下降较快，可能是因为实验设置的组数不够或者其他原因导致的。实验设置与结果分析

lution Units(c) 4 Partition Convolution Units图 4.2 三组不同组模块的结构图4.4.2 超参数的实验结果分析在超参数选择（Hyper-parameterSelection）实验中，多疾病标记转换采用的问题转换方法是 LP，所有的超参数实验选择多标记转化方法是相同的，基本卷积神经网络框架是 GroupNet 网络框架，具体参数设置见图 3.6。训练周期、学习率和批量大小（Batch Size）对卷积神经网络框架性能的影响见图 4.3，评价指标是准确率。在图 4.3(a)中显示了训练周期和准确率之间的关系，在实验中，本文总共设置了 10 组不同的训练周期，分别为 1、5、10、15、20、25、30、40、50 和 100。从图 4.3(a)可知训练周期和准确率之间存在一定规实验设置与结果分析

【参考文献】：
期刊论文
[1]常见慢性病对患者生活质量的影响[J]. 朱银潮,王永,李辉,纪威.  浙江预防医学. 2016(01)
[2]我国慢性病预防与控制发展历程[J]. 刘晓娜,张华,赵根明,徐望红.  公共卫生与预防医学. 2015(02)



本文编号：2975219