隨著計(jì)算機(jī)技術(shù)的廣泛應(yīng)用,電子醫(yī)療健康數(shù)據(jù)（Electronic Healthcare Records）也急劇增加,數(shù)據(jù)驅(qū)動(dòng)的醫(yī)療數(shù)據(jù)分析方法也應(yīng)運(yùn)而生。通過(guò)合理地對(duì)醫(yī)療數(shù)據(jù)進(jìn)行分析,可以在患病早期實(shí)現(xiàn)對(duì)疾病的提前診斷,或者根據(jù)病人的體檢記錄等數(shù)據(jù)對(duì)其身體健康狀況進(jìn)行分析,預(yù)測(cè)他未來(lái)患某種疾病的風(fēng)險(xiǎn)。然而,由于醫(yī)療數(shù)據(jù)格式混雜、很多記錄不完整、含有大量噪聲等問(wèn)題,導(dǎo)致現(xiàn)在對(duì)于醫(yī)療數(shù)據(jù)的分析仍有較大難度。本文采用最新的深度學(xué)習(xí)模型,針對(duì)醫(yī)療數(shù)據(jù)中最常見(jiàn)的醫(yī)療檢查圖像和電子病歷文字記錄這兩種格式的數(shù)據(jù)分別設(shè)計(jì)了不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并實(shí)現(xiàn)了對(duì)于疾病的提前診斷和風(fēng)險(xiǎn)預(yù)測(cè)。對(duì)于醫(yī)療檢查圖像數(shù)據(jù),本文大腦核磁共振圖像為例,首先將圖像數(shù)據(jù)矩陣化,并計(jì)算大腦不同興趣區(qū)之間的相關(guān)系數(shù),之后設(shè)計(jì)了與此數(shù)據(jù)最為契合的Autoencoder的深度學(xué)習(xí)模型,提取不同興趣區(qū)之間的相關(guān)性特征,對(duì)阿爾茲海默病實(shí)現(xiàn)精確的提前診斷。對(duì)于電子醫(yī)療病歷數(shù)據(jù),本文首次構(gòu)建了3D卷積神經(jīng)網(wǎng)絡(luò)和空間金字塔池化相結(jié)合的模型,通過(guò)3D卷積神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)內(nèi)部特征和不同數(shù)據(jù)之間的時(shí)序特征,通過(guò)空間金字塔池化結(jié)構(gòu)使模型可以處理任意長(zhǎng)度的輸... 

【文章來(lái)源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

阿爾茲海默病提前診斷模型

并且對(duì)研究大腦工作機(jī)制、探索其中不同區(qū)域和評(píng)價(jià)大腦健康狀況都有重要意義[60-62]。表 3.1 m 同時(shí)測(cè)試中的邊緣分類預(yù)測(cè)的正樣本 預(yù)測(cè)的負(fù)樣本 正樣本 Vaa Vai Ta = 負(fù)樣本 Via Vii Ti = Pa = Vaa + Via Pi = Vai + Viim == P本文得到一個(gè) 90×90 的矩陣，這個(gè)矩陣保存的是 90 個(gè)大關(guān)系數(shù)。由于相關(guān)系數(shù)矩陣是對(duì)稱的，可以單獨(dú)使用上三析，以降低運(yùn)算量。圖 3.3 是計(jì)算得到的大腦網(wǎng)絡(luò)的結(jié)構(gòu)連線分別表示大腦不同的興趣區(qū)和他們之間的功能相關(guān)性節(jié)點(diǎn)之間連接線的寬度和它們之間相關(guān)系數(shù) Cij的絕對(duì)值

圖 3.4Autoencoder 深度學(xué)習(xí)架構(gòu)old 交叉驗(yàn)證本數(shù)據(jù)有限，本論文所設(shè)計(jì)的 Autoencoder 模型可能存在過(guò)少這一問(wèn)題對(duì)于實(shí)驗(yàn)結(jié)果的影響，本文采用了 k-fold 交叉驗(yàn)中，k 被設(shè)置為 10。所有的受試者的樣本被隨機(jī)分成 10 個(gè)大，一個(gè)樣本集作為驗(yàn)證集來(lái)驗(yàn)證 Autoencoder 模型的分類效集被用作訓(xùn)練集。接下來(lái)，交叉驗(yàn)證過(guò)程被重復(fù) 10 次，每次被用作驗(yàn)證集。在完成這些步驟之后，過(guò)擬合得到了很好結(jié)果討論與性能分析


本文編號(hào)：3296479