智能醫(yī)療借助于人工智能、物聯(lián)網(wǎng)等技術(shù),旨在實(shí)現(xiàn)醫(yī)療個(gè)性化、移動(dòng)化。近年來(lái)通過(guò)電子健康記錄預(yù)測(cè)潛在疾病的風(fēng)險(xiǎn)引起了人工智能領(lǐng)域的廣泛關(guān)注,基于機(jī)器學(xué)習(xí)的疾病預(yù)測(cè)方法成為個(gè)性化醫(yī)療發(fā)展的核心研究課題。隨著深度學(xué)習(xí)算法的發(fā)展,與傳統(tǒng)的機(jī)器學(xué)習(xí)模式相比,在風(fēng)險(xiǎn)預(yù)測(cè)任務(wù)中,基于深度學(xué)習(xí)的方法能取得較好的效果。然而,現(xiàn)有的工作中較少考慮到先前的醫(yī)學(xué)知識(shí),如疾病與相應(yīng)危險(xiǎn)因素之間的關(guān)系。患者電子健康記錄(Electronic Health Records,EHR)數(shù)據(jù)包括隨時(shí)間推移的就診序列,其中每次就診包含多個(gè)醫(yī)療代碼,包括診斷、用藥和程序代碼。因此,如何處理連續(xù)且高維的EHR數(shù)據(jù),并將已有的醫(yī)療規(guī)則整合到現(xiàn)有的風(fēng)險(xiǎn)預(yù)測(cè)模型中以提高預(yù)測(cè)精度成為智能醫(yī)療面臨的兩大問(wèn)題。為了應(yīng)對(duì)以上挑戰(zhàn),本文將作如下研究:第一,針對(duì)高維EHR數(shù)據(jù),本文采用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)記憶過(guò)去和未來(lái)訪問(wèn)的所有信息,并引入三種注意力機(jī)制來(lái)衡量不同訪問(wèn)之間的關(guān)系進(jìn)行預(yù)測(cè)。通過(guò)實(shí)驗(yàn)證明提出的方法對(duì)高維數(shù)據(jù)能進(jìn)行有效的低維處理。第二,為了提高風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確率,本文提出了一種新的、通用的框架,稱為風(fēng)險(xiǎn)預(yù)測(cè)任務(wù)PRIME,它可以使用后驗(yàn)正則...

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1傳統(tǒng)機(jī)器學(xué)習(xí)流程

第2章相關(guān)理論及背景知識(shí)2.1傳統(tǒng)機(jī)器學(xué)習(xí)理論機(jī)器學(xué)習(xí)是學(xué)習(xí)如何從觀測(cè)數(shù)據(jù)（樣本）中尋找規(guī)律，并利用學(xué)習(xí)到的規(guī)律對(duì)未知或無(wú)法觀測(cè)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，不斷調(diào)整網(wǎng)絡(luò)參數(shù)，通過(guò)數(shù)學(xué)工具求解模型最優(yōu)化的預(yù)測(cè)反饋，提高泛化能力、防止過(guò)擬合，其中的規(guī)律也就是常說(shuō)的模型[xxvii]。機(jī)器學(xué)習(xí)問(wèn)題....

圖2.2半監(jiān)督學(xué)習(xí)中樣本示意圖

主要是使用孤立森林或者基于密度的聚類，使用異常點(diǎn)檢測(cè)的機(jī)器學(xué)習(xí)算法來(lái)濾波所有的異常點(diǎn)。2.1.3半監(jiān)督學(xué)習(xí)半監(jiān)督學(xué)習(xí)中部分樣本有標(biāo)記，部分樣本無(wú)標(biāo)記，如下圖2.2所示。可分為純半監(jiān)督學(xué)習(xí)和直推學(xué)習(xí)兩種，前者希望學(xué)得的模型適用于未觀察到的數(shù)據(jù)，后者希望對(duì)數(shù)據(jù)集中未標(biāo)記的樣本進(jìn)行預(yù)測(cè)....

圖2.3TSVM與SVM對(duì)比結(jié)果

主要是使用孤立森林或者基于密度的聚類，使用異常點(diǎn)檢測(cè)的機(jī)器學(xué)習(xí)算法來(lái)濾波所有的異常點(diǎn)。2.1.3半監(jiān)督學(xué)習(xí)半監(jiān)督學(xué)習(xí)中部分樣本有標(biāo)記，部分樣本無(wú)標(biāo)記，如下圖2.2所示�？煞譃榧儼氡O(jiān)督學(xué)習(xí)和直推學(xué)習(xí)兩種，前者希望學(xué)得的模型適用于未觀察到的數(shù)據(jù)，后者希望對(duì)數(shù)據(jù)集中未標(biāo)記的樣本進(jìn)行預(yù)測(cè)....

圖2.4深度學(xué)習(xí)框架

已標(biāo)記的數(shù)據(jù)使用“+”和“-”進(jìn)行分類，以三角形表示未標(biāo)記的數(shù)據(jù)。虛線代表由支持向量機(jī)生成的分類面，實(shí)線表示的分類面由TSVM產(chǎn)生。2.2深度學(xué)習(xí)理論傳統(tǒng)上，機(jī)器學(xué)習(xí)算法的輸入特性必須由原始數(shù)據(jù)手動(dòng)設(shè)置，依靠專業(yè)技術(shù)和領(lǐng)域知識(shí)來(lái)確定先前感興趣的顯式模式。創(chuàng)建、分析、選擇和評(píng)估適當(dāng)....

本文編號(hào)：3973992