骨質(zhì)疏松癥是一種發(fā)病率高、起病隱匿的疾病.若不及時(shí)發(fā)現(xiàn),導(dǎo)致病情加重和死亡率增加,將給患者及家庭帶來沉重的負(fù)擔(dān).人工智能技術(shù)可有助于骨質(zhì)疏松癥的早期發(fā)現(xiàn),預(yù)測(cè)患者患病風(fēng)險(xiǎn).首先綜述了常用于骨質(zhì)疏松領(lǐng)域的醫(yī)學(xué)人工智能技術(shù)的基礎(chǔ)理論和研究現(xiàn)狀,然后從骨質(zhì)疏松癥的危險(xiǎn)因素分析、風(fēng)險(xiǎn)預(yù)測(cè)、識(shí)別與診斷三方面入手,分析回顧了相關(guān)研究,以期為國內(nèi)同行提供關(guān)于該領(lǐng)域研究的最新進(jìn)展.同時(shí)指出目前人工智能技術(shù)在骨質(zhì)疏松應(yīng)用的制約因素和挑戰(zhàn),并提出未來展望,為國內(nèi)開展相關(guān)研究提供參考. 

【文章來源】：小型微型計(jì)算機(jī)系統(tǒng). 2019,40(09)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

邏輯回歸模型Fig．1Logisticregressionmodel

?．2決策樹決策樹(DecisionTree，DT)［17］是一種歸納學(xué)習(xí)算法，其利用一組無規(guī)則、無次序的實(shí)例推理出有效的分類規(guī)則，從而對(duì)數(shù)據(jù)進(jìn)行分類．決策樹先通過訓(xùn)練集進(jìn)行學(xué)習(xí)，得到一個(gè)測(cè)試函數(shù)，然后根據(jù)不同的權(quán)值建立樹的分支，即葉子節(jié)點(diǎn)，在每個(gè)葉子節(jié)點(diǎn)下又建立層次節(jié)點(diǎn)和分支，藉此生成決策樹．決策樹以樹狀圖的形式表示預(yù)測(cè)結(jié)果，比較直觀．常用的決策樹算法包括ID3和C4．5等．ID3算法根據(jù)信息理論，采用劃分后樣本集的不確定性作為衡量劃分好壞的標(biāo)準(zhǔn)，在每個(gè)分葉圖2決策樹模型Fig．2Decisiontreemodel節(jié)點(diǎn)選取時(shí)，選擇信息增益最大的屬性作為測(cè)試屬性．C4．5是對(duì)ID3算法的改進(jìn)和擴(kuò)展，其用信息增益率來選擇屬性，克服了ID3在選擇屬性時(shí)偏向選擇取值多的屬性的不足，當(dāng)屬性值空缺時(shí)，通過使用不同的修剪技術(shù)以避免樹的過擬合［18］．圖2是簡(jiǎn)單的決策樹模型．2．2．3隨機(jī)森林隨機(jī)森林(ＲandomForest，ＲF)［19］通過自助法重采樣技術(shù)，從訓(xùn)練集中重復(fù)隨機(jī)抽取k個(gè)分類樹組成隨機(jī)森林．新數(shù)據(jù)的分類結(jié)果按分類樹投票多少形成的分?jǐn)?shù)而定．其實(shí)質(zhì)是對(duì)決策樹算法的一種改進(jìn)，將多個(gè)決策樹合并在一起，每棵樹的建立依賴于一個(gè)獨(dú)立抽取的樣品．隨機(jī)森林中的每棵樹具有相同的分布，分類誤差取決于每一顆樹的分類能力和他們之間的相關(guān)性．特征選擇采取隨機(jī)的方法去分裂每一個(gè)節(jié)點(diǎn)，然后比較不同情況下產(chǎn)生的誤差．能夠檢測(cè)到的內(nèi)在估計(jì)誤差、分類能力和相關(guān)性決定選擇特征的數(shù)目．單棵樹的分類能力可能很小，但在隨機(jī)產(chǎn)生大量的決策樹后，一個(gè)測(cè)試樣品可以通過每一棵樹的分類結(jié)果經(jīng)統(tǒng)計(jì)后選擇最可能的分

［20］．2．2．4神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)是一種非線性映射方法，屬于隱式數(shù)學(xué)處理方法，不需要建立數(shù)學(xué)模型，是由網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)概括出的知識(shí)，以多組權(quán)值及閥值的方式存儲(chǔ)與各個(gè)神經(jīng)元中，從而構(gòu)建網(wǎng)絡(luò)知識(shí)，利用該知識(shí)來評(píng)估或預(yù)測(cè)相關(guān)因素的結(jié)果［21］．在神經(jīng)網(wǎng)絡(luò)應(yīng)用于骨質(zhì)疏松癥的診斷中，需要建立診斷分類的神經(jīng)網(wǎng)絡(luò)模型，利用神經(jīng)網(wǎng)絡(luò)對(duì)已有的數(shù)據(jù)集進(jìn)行訓(xùn)練，并用測(cè)試集對(duì)其進(jìn)行仿真測(cè)試，再對(duì)未知的病情進(jìn)行診斷分析，以得到較為準(zhǔn)確的分類結(jié)果．圖3人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig．3Artificialneuralnetworkmodel在人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程中，無需人為確定權(quán)重，可以減少診斷過程的人為因素，從而提高診斷的靠靠性，使診斷結(jié)果更有效、更客觀，有助于有效的降低骨質(zhì)疏松診斷的誤診率和漏診率［22］．圖3是簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)模型．2．2．5支持向量機(jī)支持向量機(jī)(SupportVectorMachine，SVM)基于核函數(shù)的分類方法，聯(lián)合多個(gè)參數(shù)值，在非線性空間利用支持向量機(jī)分類算法，能夠?qū)崿F(xiàn)有效的數(shù)據(jù)分類，得到非線性分類邊界［23］．神經(jīng)網(wǎng)絡(luò)根據(jù)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則(Empiricalriskminimization，EＲM)來訓(xùn)練學(xué)習(xí)，而支持向量機(jī)則根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則(StructuralＲiskMinimization，SＲM)提高學(xué)習(xí)的泛化能力，避免了神經(jīng)網(wǎng)絡(luò)存在的“過學(xué)習(xí)”問題［24］．支持向量機(jī)在圖像處理、文本分類等領(lǐng)域應(yīng)用廣泛．但是，對(duì)于輸圖4支持向量機(jī)模型示意圖Fig．4Supportvectormachinemodel入變量較多、樣本集較大的情況下，支持向量機(jī)的計(jì)算復(fù)雜性和空間復(fù)雜性會(huì)急劇增加，導(dǎo)致訓(xùn)練時(shí)間長

【參考文獻(xiàn)】：
期刊論文
[1]人工智能輔助診療發(fā)展現(xiàn)狀與戰(zhàn)略研究[J]. 孔鳴,何前鋒,李蘭娟.  中國工程科學(xué). 2018(02)
[2]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像識(shí)別研究進(jìn)展[J]. 劉飛,張俊然,楊豪.  中國生物醫(yī)學(xué)工程學(xué)報(bào). 2018(01)
[3]隨機(jī)森林模型在ICU患者住院死亡風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用[J]. 謝俊卿,藺軻,李春曉,孔桂蘭.  中國數(shù)字醫(yī)學(xué). 2017(11)
[4]基于特征融合的低倍鏡下大鼠骨質(zhì)疏松識(shí)別[J]. 蔡潔,周珂,何文廣,吳天秀,王龍.  生物醫(yī)學(xué)工程研究. 2017(02)
[5]FRAX和Garvan法評(píng)估中老年人群骨折風(fēng)險(xiǎn)效果比較[J]. 王俊,王雪君,方貞.  預(yù)防醫(yī)學(xué). 2017(03)
[6]基于顯微CT多分形譜特征和支持向量機(jī)的骨質(zhì)疏松診斷[J]. 劉健.  承德醫(yī)學(xué)院學(xué)報(bào). 2016(03)
[7]絕經(jīng)后非糖尿病婦女骨質(zhì)疏松癥影響因素的Logistic回歸和ROC曲線分析[J]. 李茂蓉,黃薇,歐小虹,姜艷,夏維波.  中國骨質(zhì)疏松雜志. 2016(05)
[8]基于Logistic回歸和隨機(jī)森林算法的2型糖尿病并發(fā)視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)及對(duì)比研究[J]. 曹文哲,應(yīng)俊,陳廣飛,周丹.  中國醫(yī)療設(shè)備. 2016(03)
[9]骨質(zhì)疏松癥患者頜骨骨密度與全身骨密度相關(guān)性研究進(jìn)展[J]. 胡曉暉,王晨明.  中國骨質(zhì)疏松雜志. 2015(12)
[10]基于線性組合的骨質(zhì)疏松疾病診斷分類模型研究[J]. 李超,楊樞,周瑛.  電腦知識(shí)與技術(shù). 2014(33)

博士論文
[1]骨質(zhì)疏松遺傳學(xué)的連鎖排除和人工神經(jīng)網(wǎng)絡(luò)研究[D]. 陳湘定.湖南師范大學(xué) 2006



本文編號(hào)：3322516