基于深度学习的电子病历应用与研究

发布时间：2021-08-13 17:57

　　随着电子病历系统在全球大范围的应用和深度学习浪潮的推动,如何利用深度学习挖掘患者电子病历数据,辅助医务人员治疗,提高临床诊断的准确率,降低医疗成本已经成为目前研究的热点。本文利用深度学习相关方法,在患者病程治疗和ICU干预等任务做了相关研究与尝试。本文的主要工作总结如下:（1）本文提出基于注意力机制的多任务序列特征学习（AGSFLM）模型,AGSFLM在多任务学习基础上引入注意力机制,以此来学习不同任务的公共特征和私有特征。本文在MIMIC-Ⅲ数据集上对基于注意力机制的多任务序列特征学习模型进行了检验,实验结果表明该方法可以显著提高预测准确率,与目前最新的模型比较也有优异的效果。（2）针对普通的回归方法无法对患者住院时间较好的估计,本文考虑到患者住院时间可以看做有序的标签预测问题,提出了利用有序回归（Ordinal Regression）对患者住院时间进行建模的方法。本文在深度学习基础上考虑患者住院时间的顺序关系,将有序回归方法与深度学习结合起来,实验结果表明,有序回归和深度学习结合的方法降低了患者住院时间预测的误差,提高了模型的准确率。（3）针对ICU病房中医务人员经常需要提前判断患... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与研究意义
    1.2 国内外研究历史与现状
        1.2.1 深度学习研究现状
        1.2.2 电子病历研究现状
    1.3 本文的主要贡献与创新
    1.4 本文的结构安排
第二章 相关任务背景知识及技术介绍
    2.1 MIMIC-Ⅲ数据集
    2.2 任务背景
        2.2.1 病情发展相关任务
        2.2.2 干预相关任务
    2.3 多任务学习
    2.4 评价指标
    2.5 PyTorch平台
    2.6 本章小结
第三章 基于AGSFLM模型的病程任务预测
    3.1 引言
    3.2 循环神经网络
    3.3 注意力机制
    3.4 基于注意力机制的单病程任务预测
        3.4.1 基于注意力机制的单个病程任务模型设计
        3.4.2 基于注意力机制的单个病程任务模型实验
            3.4.2.1 实验环境
            3.4.2.2 模型评价标准
            3.4.2.3 实验结果分析
    3.5 基于AGSFLM模型的病程任务预测
        3.5.1 基于AGSFLM模型的病程任务预测
        3.5.2 基于AGSFLM模型的病程任务实验
    3.6 本章小结
第四章 基于TSDMEML模型的ICU干预任务预测
    4.1 引言
    4.2 卷积神经网络
    4.3 基于卷积神经网络的ICU干预任务预测
        4.3.1 基于卷积神经网络的ICU干预任务的模型设计
        4.3.2 基于卷积神经网络的ICU干预任务的实验
    4.4 基于循环神经网络的ICU干预任务预测
        4.4.1 基于循环神经网络的单个干预任务预测
        4.4.2 基于循环神经网络的单个干预任务实验
        4.4.3 基于循环神经网络和注意力机制的多个干预任务预测
        4.4.4 基于循环神经网络和注意力机制的多个干预任务实验
    4.5 基于TSDMEML的ICU干预任务预测
        4.5.1 混合专家模型
        4.5.2 基于TSDMEML的ICU干预任务预测模型设计
            4.5.2.1 全局特征层
            4.5.2.2 多任务混合专家模型
        4.5.3 基于TSDMEML的ICU干预任务预测实验
    4.6 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献


【参考文献】：
期刊论文
[1]基于电子病历利用支持向量机构建疾病预测模型——以重度急性胰腺炎早期预警为例[J]. 张晔,张晗,尹玢璨,赵玉虹.  现代图书情报技术. 2016(02)
[2]基于XML技术的电子病历管理平台研究与实现[J]. 林晓东,辜晓燕,薛飞,黎亮.  医学信息学杂志. 2010(02)



本文编号：3340884