隨著醫(yī)療衛(wèi)生事業(yè)的發(fā)展,電子病歷系統(tǒng)得到了長足進步,國家在《“十一五”衛(wèi)生信息化建設(shè)設(shè)想》中提出了推進電子病歷等衛(wèi)生信息化工程,依托電子病歷系統(tǒng),醫(yī)院可以得到大量的有價值的數(shù)據(jù)并對其進行研究。關(guān)于電子病歷死亡率方面的研究可以追溯到1991年,如今深度學(xué)習(xí)算法在很多領(lǐng)域展現(xiàn)了其優(yōu)秀的性能,因此越來越多的研究人員將深度學(xué)習(xí)算法應(yīng)用于電子病歷研究。然而一般的深度學(xué)習(xí)算法無法很好地解釋模型分類的依據(jù)和原理,人們對模型的信任度低�；谶@個問題,本文使用一種可解釋的深度學(xué)習(xí)模型對重癥加強護理病房（ICU,Intensive Care Unit）患者的進行分類,并對結(jié)果進行解釋性的討論。本文提取了Medical Information Mart for Intensive Care Ⅲ（MIMIC Ⅲ）醫(yī)學(xué)數(shù)據(jù)庫中ICU患者的生理數(shù)據(jù),將患者的文本數(shù)據(jù)轉(zhuǎn)換為圖片數(shù)據(jù),通過遷移學(xué)習(xí),使VGG16深度神經(jīng)網(wǎng)絡(luò)和梯度類激活映射（graddient based class activate mapping,Grad-CAM）結(jié)合,使用VGG16-Grad-CAM結(jié)合方法對患者進行生存,死亡預(yù)測,并將結(jié)果進行... 

【文章來源】：電子科技大學(xué)四川省 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)位級別】：碩士

【部分圖文】：

k近鄰算法原理圖

電子科技大學(xué)碩士學(xué)位論文14圖2-2支持向量機分類原理圖如圖2-2所示，wx+b=0即為分離超平面，對于線形可分的數(shù)據(jù)集來說，幾何間隔最大的分離超平面只有一個。支持向量機算法即在產(chǎn)生的無數(shù)個可分類超平面中尋找?guī)缀伍g隔最大的超平面，達到對樣本最好的分類效果。標(biāo)準(zhǔn)的支持向量機算法是一種二分類模型，其學(xué)習(xí)策略即為間隔最大化。即min12‖‖22.(+)≥1(=1,2,…)(2-1)然而在標(biāo)準(zhǔn)支持向量機中有一對矛盾體，即最大間隔和最小訓(xùn)練誤差，于是提出了軟間隔支持向量機，軟間隔支持向量機的基本思想是對訓(xùn)練集中的每一個樣本引入一個松弛變量，使間隔大于等于1，即(+)≥1。并且引入一個懲罰參數(shù)，懲罰參數(shù)越大對誤分類的懲罰越大。使用軟間隔最大化可以解決帶有異常點的分類問題。2.2.3多層感知機算法多層感知機（MultilayerPerceptron，MLP）又名人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）[21,22]，其結(jié)構(gòu)為輸入層，隱藏層，輸出層。最簡單的多層感知機只有一個隱藏層，多層感知機基本結(jié)構(gòu)如下圖。

第二章數(shù)據(jù)統(tǒng)計及模型認識15圖2-3多層感知機模型結(jié)構(gòu)圖從圖中可以看到，多層感知機每個層之間為全連接的，一開始是輸入層，中間是隱藏層，最后是輸出層。假設(shè)輸入為={1,2,3,,}，輸出為(1+)，1為權(quán)重，b為偏置，函數(shù)f常用sigmoid或者tanh函數(shù)。多層感知機的每一個節(jié)點即為一個感知器，當(dāng)信號從輸入層被傳入時，進入隱藏層，隱藏層節(jié)點根據(jù)傳入的信號進行計算，將計算后的結(jié)果傳入下一層，最后從輸出層輸出結(jié)果。多層感知機的訓(xùn)練過程即為尋找最佳的權(quán)重和偏置等參數(shù)使得模型能夠最好地擬合數(shù)據(jù)。2.2.4隨機森林算法上世紀(jì)八十年代Breiman等人發(fā)明了決策樹算法，決策樹算法通過不斷二分類數(shù)據(jù)進行分類或回歸。2001年Breiman把決策樹組合為隨機森林（RandomForest，RF）[23-25]，隨機森林是一種Bagging算法的變體，是在以決策樹為基學(xué)習(xí)器構(gòu)建Bagging集成的基礎(chǔ)上，進一步在決策樹的訓(xùn)練過程中引入隨機屬性選擇的方法。隨機森林是隨機化變量提取和數(shù)據(jù)提取，生成很多無關(guān)聯(lián)的決策樹，每一個決策樹都是一個弱分類器，最后匯總所有決策樹的結(jié)果。隨機森林算法在沒有顯著提高計算量的前提下提高了預(yù)測精度。下圖為隨機森林算法結(jié)構(gòu)圖。

【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)的可解釋性[J]. 吳飛,廖彬兵,韓亞洪.  航空兵器. 2019(01)
[2]國內(nèi)電子病歷發(fā)展與應(yīng)用現(xiàn)狀分析[J]. 馬錫坤,楊國斌,于京杰.  計算機應(yīng)用與軟件. 2015(01)
[3]急性心肌梗死患者入院時心率水平與死亡率相關(guān)性分析[J]. 羅建華,黃征.  浙江中西醫(yī)結(jié)合雜志. 2009(02)
[4]APACHEⅡ與SAPSⅡ評分系統(tǒng)對急診內(nèi)科危重患者病情評估價值的比較[J]. 孟新科,鄧躍林.  中國危重病急救醫(yī)學(xué). 2001(12)

碩士論文
[1]基于機器學(xué)習(xí)的重癥監(jiān)護病患死亡率預(yù)測[D]. 張英凱.電子科技大學(xué) 2018



本文編號：3608189