隨著中國醫(yī)療衛(wèi)生事業(yè)的不斷發(fā)展,“看病難”問題已日漸突出,亟待解決。只有利用信息化技術(shù)深度改變現(xiàn)有的醫(yī)療服務(wù)模式,方能從根本上破解這個難題。醫(yī)療信息化技術(shù)重要的研究方向是智慧醫(yī)療。隨著智慧醫(yī)療研究的不斷深入,醫(yī)療服務(wù)與智能化生活越來越接近。甲狀腺疾病是一種常見的臨床內(nèi)分泌疾病,甲狀腺疾病類型的正確診斷對甲狀腺疾病的醫(yī)治至關(guān)重要。在目前實際的臨床診療中,甲狀腺疾病仍然存在誤診或者治療不當(dāng)?shù)那闆r。所以在甲狀腺疾病診療中引入智慧醫(yī)療,具有理論意義和應(yīng)用價值。本文針對甲狀腺疾病診療中存在的問題,應(yīng)用決策支持系統(tǒng)技術(shù),整合實驗室針對甲狀腺疾病分類預(yù)測的研究成果,建立基礎(chǔ)的模型庫,將疾病診療和模型應(yīng)用聯(lián)系起來,集成具有優(yōu)化訓(xùn)練、模型管理、預(yù)測分析和輔助決策等功能的甲狀腺疾病診療模型庫系統(tǒng)。本文的主要工作有四個方面:（1）建立基礎(chǔ)模型庫。收集實驗室多年積累的與甲狀腺疾病分類預(yù)測相關(guān)的研究成果,包括算法、數(shù)據(jù)和成熟的模型,按照實際用例分類,以二進(jìn)制文件的方式存儲,將算法信息、數(shù)據(jù)集信息和模型信息以及三者之間的對應(yīng)關(guān)系都存儲于模型字典中,最終建立基礎(chǔ)的模型庫。（2）實現(xiàn)基于主動學(xué)習(xí)的融合預(yù)測。針對模型庫... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

訓(xùn)練集拆分系統(tǒng)截圖

return X_train,X_test,Y_train,Y_testdef train(X_train,Y_train,targetmodel):svm_model = svm.SVC(kernel="linear").fit(X_train, Y_train)joblib.dump(svm_model, targetmodel,compress=3)if __name__ == '__main__':X_train,X_test,Y_train,Y_test = loaddata(par1)train(X_train,Y_train,par2)predict(X_train,Y_train,X_test,Y_test,par2)訓(xùn)練結(jié)束后，系統(tǒng)將訓(xùn)練結(jié)果返回給試驗者進(jìn)行審查，查看是否有運行錯誤、存儲地址有誤等問題，正常訓(xùn)練結(jié)束后，結(jié)果顯示頁會展示精確率 Precision、召回率 Recall、綜合評價指標(biāo) F1-score 這三個數(shù)值，用以評價模型。模型訓(xùn)練成功后即自動入庫，經(jīng)測試人員測試好模型功能模塊，即可上線供用戶選擇使用。系統(tǒng)效果圖如下圖 5-4、圖 5-5 所示。

圖 5-5 模型訓(xùn)練結(jié)果5.2 模型的維護(hù)在模型庫管理系統(tǒng)中，最重要的部分就是模型的維護(hù)。模型的維護(hù)包括模型的新增、模型的修改、模型的查詢、模型的刪除這四個基本的操作。這些基本操作都是圍繞模型展開，所以模型的分類規(guī)范極為重要。在本文研究的模型庫中，模型除了基礎(chǔ)的分類模型外，還包括了神經(jīng)網(wǎng)絡(luò)模型、回歸分析模型、聚類模型等，種類繁雜，所以在呈現(xiàn)給使用者使用時，其呈現(xiàn)方式需要一定的組織邏輯結(jié)構(gòu)。而且在實際使用中，用戶對模型名稱了解甚少，在選擇輔助決策模型時，會沒有主見導(dǎo)致使用者體驗感極差，所以，模型的表示方式必須滿足甲狀腺疾病診療輔助決策時的使用者的需要。甲狀腺的檢查項目包括血檢和超聲檢查。本文針對模型庫系統(tǒng)的用戶群體對模型知識了解甚少的問題，將這些模型按照實際用例來進(jìn)行分類展示。針對甲狀腺疾病的檢查項目和系統(tǒng)的實際需求，將模型主要分為 3 個類別：甲功五項指標(biāo)

【參考文獻(xiàn)】：
期刊論文
[1]樸素貝葉斯算法在文本分類中的應(yīng)用[J]. 鄒曉輝.  數(shù)字技術(shù)與應(yīng)用. 2017(12)
[2]甲狀腺結(jié)節(jié)的現(xiàn)代診療進(jìn)展[J]. 李冰,劉虔,丁小軍,吳奇,孫圣榮.  現(xiàn)代生物醫(yī)學(xué)進(jìn)展. 2017(19)
[3]主動學(xué)習(xí)算法研究進(jìn)展[J]. 楊文柱,田瀟瀟,王思樂,張錫忠.  河北大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[4]基于熵的自適應(yīng)加權(quán)投票HRRP融合識別方法[J]. 王曉丹,李睿,薛愛軍,孫向芳.  系統(tǒng)工程與電子技術(shù). 2017(04)
[5]國內(nèi)外醫(yī)療決策支持系統(tǒng)研究熱點[J]. 劉洋宏,崔雷.  中華醫(yī)學(xué)圖書情報雜志. 2016(11)
[6]醫(yī)療大數(shù)據(jù)研究現(xiàn)狀及其臨床應(yīng)用[J]. 羅旭,劉友江.  醫(yī)學(xué)信息學(xué)雜志. 2015(05)
[7]杰卡德相似系數(shù)在推薦系統(tǒng)中的應(yīng)用[J]. 張曉琳,付英姿,褚培肖.  計算機(jī)技術(shù)與發(fā)展. 2015(04)
[8]基于局部紋理特征的超聲甲狀腺結(jié)節(jié)良惡性識別[J]. 熊偉,龔勛,羅俊,李天瑞.  數(shù)據(jù)采集與處理. 2015(01)
[9]基于互信息的文本自動摘要[J]. 劉星含,霍華.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2014(10)
[10]醫(yī)療大數(shù)據(jù)及其面臨的機(jī)遇與挑戰(zhàn)[J]. 張振,周毅,杜守洪,羅雪瓊,梅甜.  醫(yī)學(xué)信息學(xué)雜志. 2014(06)

碩士論文
[1]基于Gradient Boosting算法的海量健康數(shù)據(jù)挖掘研究與應(yīng)用[D]. 劉玉堯.北京郵電大學(xué) 2017
[2]甲狀腺結(jié)節(jié)良惡性預(yù)測方法的研究與實現(xiàn)[D]. 周東陽.東華大學(xué) 2016
[3]蘋果生產(chǎn)決策支持系統(tǒng)模型庫研究[D]. 王軍.山東農(nóng)業(yè)大學(xué) 2016
[4]基于人工智能的醫(yī)療診斷系統(tǒng)研究與設(shè)計[D]. 滕文龍.吉林大學(xué) 2013
[5]基于Gradient Boosting算法的癲癇檢測[D]. 陳爽爽.山東大學(xué) 2013
[6]高速鐵路與社會經(jīng)濟(jì)發(fā)展互動關(guān)系決策支持系統(tǒng)模型庫開發(fā)及關(guān)鍵問題的研究[D]. 袁夢.北京交通大學(xué) 2011
[7]水稻生產(chǎn)智能決策支持系統(tǒng)模型庫的研究[D]. 阮衛(wèi).江西農(nóng)業(yè)大學(xué) 2011
[8]中文文本分類中互信息特征選擇方法研究[D]. 鄧彩鳳.西南大學(xué) 2011



本文編號：3273118