医疗数据可视化分析研究及其应用

发布时间：2021-01-22 22:13

　　随着信息技术的兴起及其在医疗行业的广泛应用,医疗数据的数据量呈指数级增长,且存在异构高维等特点,这使得通过传统医疗数据可视化方法获取有效诊疗信息以探寻特定疾病的潜在规律,往往存在效率低下等问题,甚至难以进行。将机器学习方法融入医疗数据的分析处理,不仅能降低医疗数据的高维问题,也便于从中提取用于分析的主特征信息,可有效降低计算量,缩短时间复杂度,提高医疗数据分析的准确性。为此,本文将机器学习方法应用于医疗数据的可视化分析,提出了T-SNE-DBSCAN算法,用于医疗数据的相似度分析,构建了相应的可视化分析平台。针对医疗数据的高维问题,论文首先将机器学习方法用于医疗数据的特征值重要性测度分析。以MIMIC-III医疗数据库中的肺部肿瘤检测数据为基础,通过预处理,应用KNN算法、支持向量机算法和随机森林算法等典型机器学习方法,对该数据进行分类训练,从敏感性、特异性和检测准确性等方面构建了分类性能评价方法,从而得到最优算法用于计算特征值的重要程度值,作为实现数据降维处理的数据预处理方法。为医疗数据提供相似度分析工具,在特征值重要性计算处理基础之上,基于降维思想,论文随后给出了T-SNE-DBS... 

【文章来源】：山东理工大学山东省

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

缺失数据分析盒须图

文 第二章 基于机器学习的4，小于 0.14 的测量数被选择作为 mtry 值，最后得出模型误差与决策树的数量关系，如图 2.4 所示，曲线逐渐呈现平缓状态，由此可得到 ntree 值为 107 分析得到结果：对于类别 A 没有患肺部恶性肿瘤的有肺部恶性肿瘤的正确分类率为 99.11%。

患有肺部恶性肿瘤的正确分类率为 99.11%。模型误差决策树数量图 2.4 模型误差和决策树数量关系图Fig. 2.4 Model error and number of decision trees chart

【参考文献】：
期刊论文
[1]机器学习综述[J]. 石弘一.  通讯世界. 2018(10)
[2]全麻下可视化椎间孔镜技术治疗腰椎间盘突出症[J]. 吴星火,杨操,郜勇,张宇坤,华文斌,王琨,宋雨,涂计,邵增务,杨述华.  中国矫形外科杂志. 2018(19)
[3]牙髓干细胞基础研究与临床应用:国内外文献计量与可视化分析[J]. 鄢雪川,宿玉成.  中国组织工程研究. 2018(29)
[4]肿瘤参数属性偏序结构可视化实现乳腺癌诊断[J]. 梁怀新,宋佳霖,郑存芳,洪文学.  中国生物医学工程学报. 2018(04)
[5]基于主成分-线性回归分析的煤炭热值预测模型研究[J]. 李祥,杜政烨,刘翠茹,茌方,袁翠翠.  煤炭工程. 2018(07)
[6]脑纤维可视化综述[J]. 刘义鹏,徐超清,蒋哲臣,蒋莉,冯远静,梁荣华.  计算机辅助设计与图形学学报. 2018(01)
[7]基于多元线性回归的螺纹钢价格分析及预测模型[J]. 陈海鹏,卢旭旺,申铉京,杨英卓.  计算机科学. 2017(S2)
[8]Kmeans算法的Spark实现及优化[J]. 张友海,李锋刚.  西安文理学院学报(自然科学版). 2017(03)
[9]基于大数据研究的医学数据可视化[J]. 许茜,黄子杰,蔡晶,刘志臻,俞向梅,陈桂芬,陈林,葛亮,张钘铭.  中国卫生统计. 2017(02)
[10]我国老年人长期照护研究热点与趋势——基于Citespace的可视化分析[J]. 李文杰.  武汉理工大学学报(社会科学版). 2017(02)

硕士论文
[1]城市火灾风险评估指标体系研究[D]. 党杰.西南交通大学 2018
[2]可动态扩展的医疗数据集成可视化系统设计与开发[D]. 丁同勤.浙江大学 2016
[3]基于数据挖掘的图书推荐系统设计与实现[D]. 赵翀.东北石油大学 2014



本文编号：2993997