智慧醫(yī)療是醫(yī)學和人工智能的交叉領(lǐng)域,是近年來國內(nèi)外研究的熱點領(lǐng)域之一。通過機器學習的手段可以非常有效的緩解醫(yī)療資源不足和患者就醫(yī)需求日益增長之間的矛盾。乳腺癌是當今女性最大的威脅之一,作為一種異質(zhì)性腫瘤,乳腺癌診斷涉及人口學信息、免疫學、生物化學等方面繁雜的因素,判斷依據(jù)復雜多樣。在乳腺癌實際臨床診斷中由于不同病程階段對患者采用不同檢查手段,同一時間不同患者檢查項目往往不同。上述情況為乳腺癌綜合診斷模型構(gòu)建帶來了巨大的挑戰(zhàn)。本文在研究多種分類器和融合方法的基礎(chǔ)上,構(gòu)建了基于多分類器多因素融合的漸進式綜合診斷模型,主要工作如下:(1)針對乳腺癌涉及理化指標繁雜,表述方式多樣的問題進行了數(shù)據(jù)特征提取與選擇。結(jié)合相關(guān)醫(yī)學文獻和現(xiàn)有數(shù)據(jù),選取血常規(guī)、血液腫瘤標志物、免疫組化三項醫(yī)學檢查數(shù)據(jù),利用LASSO和隨機森林算法選取其中關(guān)鍵性指標,并參考專業(yè)醫(yī)學資料印證其正確性。(2)針對乳腺癌數(shù)據(jù)種類多樣的特點,分析了隨機森林、決策樹、K近鄰、支持向量機、邏輯回歸、LSTM六種基分類模型優(yōu)劣性、關(guān)鍵參數(shù)等相關(guān)特性。通過實驗對比各模型在包含人口學信息的血常規(guī)、血液腫瘤標志物、免疫組化數(shù)據(jù)上的分類性能,結(jié)...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

圖1.1本文主要工作整體示意圖

圖2.1隨機森林流程圖

圖2.2LSTM原理圖

圖2.3串行融合拓撲結(jié)構(gòu)圖

本文編號：3890130