發(fā)布時(shí)間：2021-01-28 12:30

　　隨著機(jī)器學(xué)習(xí)方法在各個(gè)領(lǐng)域的應(yīng)用,近年來產(chǎn)生了很多具有現(xiàn)實(shí)意義的成果。醫(yī)療這一傳統(tǒng)行業(yè)也存在很多富有前景和挑戰(zhàn)性的的應(yīng)用。本論文嘗試通過機(jī)器學(xué)習(xí)方法,開發(fā)一種智能臨床決策方法,為醫(yī)生提供臨床決策支持。具體地,本論文主要關(guān)注以下三個(gè)問題:臨床信號(hào)的特征提取,藥物相互作用的預(yù)測(cè),以及臨床治療方案的推薦。對(duì)于臨床信號(hào),本文提出了一種數(shù)據(jù)驅(qū)動(dòng)的多變量信號(hào)特征的提取方法。這一方法基于回聲狀態(tài)網(wǎng)絡(luò)（ESN）將信號(hào)編碼成特征。進(jìn)一步的理論分析表明,基于自回歸（AR）模型的特征提取方法可以看作是基于ESN方法的簡(jiǎn)化。實(shí)驗(yàn)結(jié)果表明,這種基于ESN的特征提取方法具有優(yōu)越性,并為無監(jiān)督醫(yī)療信號(hào)的特征提取建立了一個(gè)新思路。對(duì)于藥物相互作用的預(yù)測(cè),本文將其表述為一個(gè)多任務(wù)二元回歸問題,將每種相互作用類型的預(yù)測(cè)作為一個(gè)任務(wù)來處理。與只計(jì)算相互作用矩陣中缺失項(xiàng)的矩陣方法相比,本文提出的方法可以直接對(duì)二元關(guān)系回歸,從而獲得了更好的可擴(kuò)展性。為求解這一模型,本文還開發(fā)了一種有效的近似梯度方法。對(duì)于臨床治療方案的推薦,本文旨在開發(fā)一種算法,學(xué)習(xí)患者電子病歷（EMR）中的歷史數(shù)據(jù),根據(jù)患者的疾病狀況、化驗(yàn)結(jié)果和治療記錄為患... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
2 腦電信號(hào)數(shù)據(jù)的特征提取
    2.1 常見的信號(hào)數(shù)據(jù)特征提取方法
        2.1.1 基于線性模型的信號(hào)特征提取
        2.1.2 基于非線性模型的信號(hào)特征提取
        2.1.3 基于自編碼器的信號(hào)特征提取
    2.2 基于回聲狀態(tài)網(wǎng)絡(luò)的特征提取方法
        2.2.1 對(duì)信號(hào)數(shù)據(jù)的建模和預(yù)測(cè)
        2.2.2 單通道信號(hào)的特征提取
        2.2.3 多通道信號(hào)的特征提取
        2.2.4 回聲狀態(tài)網(wǎng)絡(luò)自編碼器和自回歸系數(shù)的關(guān)系
    2.3 基于Kaggle腦電數(shù)據(jù)集的實(shí)驗(yàn)
        2.3.1 Kaggle數(shù)據(jù)集簡(jiǎn)介
        2.3.2 參數(shù)選擇和特征提取
    2.4 基于Freiburg腦電數(shù)據(jù)集的實(shí)驗(yàn)
        2.4.1 數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置
        2.4.2 單通道實(shí)驗(yàn)結(jié)果
        2.4.3 多通道實(shí)驗(yàn)結(jié)果
    2.5 本章小結(jié)
3 藥品相互作用預(yù)測(cè)
    3.1 相關(guān)工作
        3.1.1 二元預(yù)測(cè)
        3.1.2 多任務(wù)學(xué)習(xí)
        3.1.3 現(xiàn)有研究局限
    3.2 藥品不良反應(yīng)預(yù)測(cè)模型
        3.2.1 基于多任務(wù)學(xué)習(xí)的預(yù)測(cè)模型
        3.2.2 模型的張量解釋
        3.2.3 損失函數(shù)和優(yōu)化方法
        3.2.4 優(yōu)化求解
    3.3 實(shí)驗(yàn)及結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 評(píng)價(jià)指標(biāo)
        3.3.3 實(shí)驗(yàn)結(jié)果
        3.3.4 案例分析
        3.3.5 假陽性分析
    3.4 本章小結(jié)
4 臨床治療方案的推薦
    4.1 研究框架
    4.2 相關(guān)工作
        4.2.1 醫(yī)療數(shù)據(jù)挖掘
        4.2.2 時(shí)間序列事件預(yù)測(cè)
    4.3 治療方案推薦模型
        4.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.3.2 全連接的異質(zhì)LSTM
        4.3.3 部分連接的異質(zhì)LSTM
        4.3.4 分解異質(zhì)LSTM
        4.3.5 添加靜態(tài)信息
    4.4 實(shí)驗(yàn)
        4.4.1 數(shù)據(jù)來源及其預(yù)處理
            4.4.1.1 MIMIC-III
            4.4.1.2 EMRs數(shù)據(jù)集
            4.4.1.3 數(shù)據(jù)預(yù)處理
        4.4.2 MIMIC-III數(shù)據(jù)集上的實(shí)驗(yàn)
        4.4.3 EMRs數(shù)據(jù)集上的實(shí)驗(yàn)
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3004999