隨著互聯(lián)網(wǎng)技術(shù)的爆發(fā)式發(fā)展,大量的數(shù)據(jù)隨之產(chǎn)生,醫(yī)療行業(yè)的數(shù)據(jù)增長幅度尤為突出。醫(yī)療大數(shù)據(jù)具有巨大的價值,尤其是在臨床輔助診療和健康管理方面。如今中國的醫(yī)療服務(wù)行業(yè)中,供需不平衡的問題還沒有得到充分解決,而且農(nóng)村的醫(yī)療資源和醫(yī)療水平相對城市更加有限。新型智能醫(yī)療模式是一種新的醫(yī)療服務(wù)模式,它將依賴于新一代用戶友好、實時的大數(shù)據(jù)分析和人工智能及機(jī)器學(xué)習(xí)工具來提供醫(yī)療服務(wù)。有效利用醫(yī)療數(shù)據(jù),挖掘數(shù)據(jù)的深層價值,是未來智能醫(yī)療發(fā)展的重點。醫(yī)療數(shù)據(jù)通常是多模式的,包括結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。醫(yī)療數(shù)據(jù)建模已成為醫(yī)療大數(shù)據(jù)分析中一個非常重要且具有挑戰(zhàn)性的問題。大多數(shù)現(xiàn)有建模方法出現(xiàn)的問題主要有:忽略數(shù)據(jù)的多模式,忽略醫(yī)療記錄的時間特性,或忽略各種醫(yī)學(xué)特征之間的顯性和隱性關(guān)系。本文研究了基于知識圖譜和時間序列的方法來建立多模式數(shù)據(jù)之間的聯(lián)系,并在此基礎(chǔ)上進(jìn)行病例近似搜索和疾病輔助診斷相關(guān)的算法研究,以支持智能醫(yī)療的高效分析任務(wù)。1.首先,使用醫(yī)學(xué)詞典和從醫(yī)院收集的實際臨床數(shù)據(jù)建立一個語義豐富的醫(yī)療知識圖譜數(shù)據(jù)庫。2.研究一種圖建模方法來彌合不同類型數(shù)據(jù)之間的差距,將每個患者的多模式臨床數(shù)據(jù)融合并建...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 醫(yī)療數(shù)據(jù)處理研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)理論介紹
    2.1 知識圖譜
        2.1.1 圖論
        2.1.2 圖編輯距離
    2.2 時間序列
        2.2.1 時間序列相似性度量
        2.2.2 時間序列預(yù)測
    2.3 KNN學(xué)習(xí)算法
    2.4 本章小結(jié)
第三章 病例數(shù)據(jù)建模
    3.1 醫(yī)療知識圖譜構(gòu)建
    3.2 病例圖模型設(shè)計
    3.3 病例演化圖序列模型設(shè)計
    3.4 本章小結(jié)
第四章 病例近似搜索研究
    4.1 單元樹
    4.2 圖映射距離
    4.3 基于圖模型的病例近似搜索算法
        4.3.1 兩層倒排索引
        4.3.2 Top-k單元樹查詢算法
        4.3.3 圖KNN查詢算法
        4.3.4 圖范圍查詢算法
    4.4 對比實驗
        4.4.1 實驗數(shù)據(jù)
        4.4.2 實驗設(shè)計
        4.4.3 評價指標(biāo)
        4.4.4 實驗結(jié)果分析
    4.5 本章小結(jié)
第五章 疾病輔助診斷研究
    5.1 圖序列對齊距離
    5.2 基于懶惰學(xué)習(xí)的疾病輔助診斷算法
        5.2.1 三層倒排索引
        5.2.2 圖序列相似性搜索策略
        5.2.3 KNN學(xué)習(xí)算法
    5.3 對比實驗
        5.3.1 實驗數(shù)據(jù)
        5.3.2 實驗設(shè)計
        5.3.3 評價指標(biāo)
        5.3.4 實驗結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士期間的研究成果
致謝



本文編號：3912431