甲狀腺癌是人體內(nèi)分泌系統(tǒng)中患病率最高的疾病之一,近年來(lái)發(fā)病率逐年上升。超聲檢查可以識(shí)別觸診較難發(fā)現(xiàn)的甲狀腺結(jié)節(jié)可疑病灶,是實(shí)現(xiàn)早期甲狀腺癌篩查的有效手段。醫(yī)院超聲科信息系統(tǒng)中儲(chǔ)存了大量的甲狀腺患者就診數(shù)據(jù),蘊(yùn)藏著豐富的醫(yī)療信息。通過(guò)科學(xué)的方法對(duì)超聲科甲狀腺數(shù)據(jù)進(jìn)行挖掘與分析,獲取有效信息,對(duì)輔助醫(yī)生提高診斷精確性具有重要的現(xiàn)實(shí)意義。本研究面向甲狀腺結(jié)節(jié)輔助診斷決策問(wèn)題,基于合作醫(yī)院信息系統(tǒng)中的甲狀腺超聲數(shù)據(jù),以輔助醫(yī)生提高對(duì)甲狀腺結(jié)節(jié)良惡性診斷的精度和效率為目標(biāo),研究?jī)?nèi)容主要包括以下幾點(diǎn)。首先,基于超聲科甲狀腺數(shù)據(jù),結(jié)合醫(yī)生專業(yè)知識(shí)對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理得到標(biāo)準(zhǔn)有效數(shù)據(jù),并從整體描述、單個(gè)指標(biāo)與病理結(jié)果、多個(gè)指標(biāo)與病理結(jié)果、指標(biāo)與指標(biāo)四個(gè)維度對(duì)甲狀腺有效數(shù)據(jù)進(jìn)行綜合分析,初步了解甲狀腺數(shù)據(jù)特點(diǎn)。其次,根據(jù)甲狀腺數(shù)據(jù)特點(diǎn),使用PCA消除甲狀腺指標(biāo)間的相關(guān)性并降低輸入項(xiàng)的維度,并使用個(gè)體分類器與集成學(xué)習(xí)算法對(duì)比,從二分類和多分類相結(jié)合的角度,提出基于PCA-集成學(xué)習(xí)的甲狀腺結(jié)節(jié)輔助診斷模型。最后,基于甲狀腺有效數(shù)據(jù),從分類效果和運(yùn)算效率兩個(gè)角度,對(duì)邏輯回歸、支持向量機(jī)、K近鄰法、決策樹(shù)、隨機(jī)... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【圖文】：

論文主要內(nèi)容框架圖

第二章研究基礎(chǔ)與相關(guān)理論82.2.1邏輯回歸算法Martin于1977年首次使用邏輯回歸（LogisticRegression,LR）模型對(duì)58家金融危機(jī)公司進(jìn)行財(cái)務(wù)預(yù)警[52]。LR屬于最優(yōu)化算法，它預(yù)測(cè)因變量發(fā)生的概率，通過(guò)區(qū)分預(yù)測(cè)的概率達(dá)到分類的效果[53]。當(dāng)因變量是二分類問(wèn)題時(shí)，通常采用二元LR。采用二元LR時(shí)，通常設(shè)因變量Y只有兩個(gè)狀態(tài)，分別用0和1表示，則因變量Y發(fā)生的概率p=P(Y=1)。假設(shè)有k個(gè)影響Y取值的影響因素，分別為x0，x1，…，xk，并且p的取值始終在0到1之間，由此可構(gòu)造sigmoid函數(shù)：11zpe(2.1)011kkzxx(2.2)其中β0，β1，…，βk是未知參數(shù)，z是關(guān)于x的表達(dá)式，由此可得LR函數(shù)為：0111kkplnxxp(2.3)sigmoid函數(shù)的曲線圖如圖2.1所示，當(dāng)x等于0時(shí)，函數(shù)值等于0.5；隨著x的減小，函數(shù)值減小且無(wú)限趨近于0；隨著x的增大，函數(shù)的值增加并無(wú)限趨近于1[54]。圖2.1sigmoid函數(shù)曲線圖Fig2.1Graphofsigmoidfunction根據(jù)式2.3可知，LR函數(shù)中含有未知參數(shù)β0，β1，…，βk，可以使用極大似然值法求解未知參數(shù)。設(shè)y是0-1類型的二分類變量，x0，x1，…，xk是與y相關(guān)的變量，n組觀測(cè)的數(shù)據(jù)為(xi1，xi2，…，xik；yi)(i=1，2，…n)，則yi與xi1，xi2，…，xik的關(guān)系可以表達(dá)為：

第二章研究基礎(chǔ)與相關(guān)理論10哪個(gè)類別的元素最多，由此將xq分入所屬類別最多的類。根據(jù)以上操作過(guò)程可知，執(zhí)行KNN算法時(shí)關(guān)鍵的三點(diǎn)分別為：K值的選擇、距離的計(jì)算以及分類規(guī)則的制定。在實(shí)際工作中，K值選擇可使用交叉驗(yàn)證來(lái)進(jìn)行優(yōu)化，計(jì)算距離可使用歐氏距離、曼哈頓距離等，分類規(guī)則的設(shè)置時(shí)可采用平均加權(quán)法或其他權(quán)重調(diào)配方法。KNN算法操作簡(jiǎn)單、分類效果較好，而且最突出的特點(diǎn)是不需要預(yù)計(jì)參數(shù)，也不需要訓(xùn)練，因此運(yùn)算效率較高。2.2.4決策樹(shù)算法決策樹(shù)是一種以樹(shù)的結(jié)構(gòu)將展現(xiàn)分類過(guò)程的個(gè)體學(xué)習(xí)器算法，在分類和回歸問(wèn)題中有廣泛的應(yīng)用，其目標(biāo)是建立一個(gè)可以預(yù)測(cè)目標(biāo)變量的類或值的訓(xùn)練模型，與其他分類算法相比。決策樹(shù)通過(guò)樹(shù)的形式來(lái)解決問(wèn)題，樹(shù)內(nèi)的每個(gè)節(jié)點(diǎn)表示一個(gè)屬性，每個(gè)葉節(jié)點(diǎn)表示一類標(biāo)簽。采用自上而下的遞歸方式，在決策樹(shù)的內(nèi)部節(jié)點(diǎn)比較屬性值，并根據(jù)不同屬性判斷從該節(jié)點(diǎn)下的分支方向，最后在葉節(jié)點(diǎn)得到結(jié)論。圖2.2為決策樹(shù)的運(yùn)算示意圖。圖2.2決策樹(shù)結(jié)構(gòu)示意圖Fig2.2Structurediagramofdecisiontree決策樹(shù)的預(yù)測(cè)方面功能強(qiáng)大，常作為集成學(xué)習(xí)的弱學(xué)習(xí)器，目前比較常用的有ID3、C4.5、CART、SLIQ、SPRINT等。決策樹(shù)通過(guò)樹(shù)的形式展現(xiàn)運(yùn)算過(guò)程，因此具有一定的可解釋性。2.3集成學(xué)習(xí)以上是個(gè)體分類器算法，在實(shí)際應(yīng)用中常用集成學(xué)習(xí)(EnsembleLearning)解決復(fù)雜問(wèn)題。集成學(xué)習(xí)可分為同質(zhì)集成和異質(zhì)集成，同質(zhì)集成通常使用一個(gè)弱分類器做集成，對(duì)應(yīng)的異質(zhì)集成則采用多個(gè)學(xué)習(xí)器。隨著弱學(xué)習(xí)器的增加，集成學(xué)習(xí)

【參考文獻(xiàn)】：
期刊論文
[1]甲狀腺結(jié)節(jié)和分化型甲狀腺癌診治指南[J].   中華內(nèi)分泌代謝雜志. 2012 (10)
[2]主成分分析原始數(shù)據(jù)的預(yù)處理問(wèn)題[J]. 萬(wàn)星火,檀亦麗.  中國(guó)衛(wèi)生統(tǒng)計(jì). 2005(05)
[3]數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理[J]. 劉明吉,王秀峰,黃亞樓.  計(jì)算機(jī)科學(xué). 2000(04)

博士論文
[1]基于電子病歷數(shù)據(jù)的臨床決策支持研究[D]. 王昱.浙江大學(xué) 2016

碩士論文
[1]面向臨床決策支持的貝葉斯網(wǎng)絡(luò)醫(yī)囑推薦方法研究[D]. 劉文洋.北京理工大學(xué) 2016
[2]基于隨機(jī)森林的指數(shù)化投資組合構(gòu)建研究[D]. 韓燕龍.華南理工大學(xué) 2015
[3]術(shù)前血清促甲狀腺激素水平與分化型甲狀腺癌的發(fā)病風(fēng)險(xiǎn)[D]. 王方梅.上海交通大學(xué) 2014
[4]基于人工智能機(jī)器學(xué)習(xí)的文字識(shí)別方法研究[D]. 李雷.電子科技大學(xué) 2013



本文編號(hào)：3337219