【摘要】：醫(yī)療決策分析是傳統(tǒng)醫(yī)療研究結(jié)合大數(shù)據(jù)分析產(chǎn)生的新興研究方向。在大數(shù)據(jù)時(shí)代,醫(yī)療衛(wèi)生領(lǐng)域數(shù)據(jù)庫(kù)的信息量和信息種類均爆炸式增長(zhǎng)。針對(duì)此類問(wèn)題,醫(yī)療決策分析應(yīng)運(yùn)而生,其中的重要一類就是病因分析。本文以孤獨(dú)癥為例來(lái)研究孤獨(dú)癥的影響因素對(duì)患兒病情的影響,數(shù)據(jù)支持來(lái)自上海市精神衛(wèi)生中心孤獨(dú)癥門(mén)診。孤獨(dú)癥業(yè)已成為一種重要且危害嚴(yán)重的小兒心理疾病,對(duì)患兒本身的成長(zhǎng)危害巨大,對(duì)患兒的家庭也造成了沉重的心理壓力和經(jīng)濟(jì)負(fù)擔(dān)。為解決孤獨(dú)癥影響因素關(guān)系模型建立中遇到的數(shù)據(jù)缺失問(wèn)題,本文引入了矩陣填充方法對(duì)缺失數(shù)據(jù)進(jìn)行填補(bǔ),根據(jù)孤獨(dú)癥的患兒信息數(shù)據(jù)具有有效信息眾多,數(shù)據(jù)的秩較高等特征,本文改進(jìn)了現(xiàn)有的低秩矩陣填充算法,提出了兩種可應(yīng)用于高秩矩陣填充的算法,分別是基于交替方向乘子算法(ADMM)的填充算法(HRMC)和基于自編碼器的填充算法(AEMC)。前者結(jié)合了矩陣填充的邏輯和數(shù)據(jù)中各變量重要度不同的實(shí)際情況,令控制變量的權(quán)重因子根據(jù)變量的重要度取值,使得算法將更多的資源投入到重要變量的缺失數(shù)據(jù)的填充之上,從而提高算法的效率;后者利用自編碼器結(jié)合矩陣填充,在反向傳播的求導(dǎo)過(guò)程中同時(shí)求損失函數(shù)對(duì)矩陣本身的導(dǎo)數(shù)。基于數(shù)據(jù)缺失問(wèn)題的分析結(jié)果,本文進(jìn)一步建立了孤獨(dú)癥影響因素與孤獨(dú)癥病情的人工神經(jīng)網(wǎng)絡(luò)關(guān)系模型。首先,確定衡量孤獨(dú)癥癥狀嚴(yán)重程度的指標(biāo)和孤獨(dú)癥的待研究影響因素。然后,建立了關(guān)于孤獨(dú)癥行為量表(ABC)評(píng)分與影響因子關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型。緊接著,分析了神經(jīng)網(wǎng)絡(luò)的三個(gè)關(guān)鍵性參數(shù)對(duì)網(wǎng)絡(luò)精度的影響,分別是訓(xùn)練算法、訓(xùn)練樣本分配比例和隱含層的節(jié)點(diǎn)數(shù),提高了神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。最后,對(duì)優(yōu)化過(guò)的網(wǎng)絡(luò)進(jìn)行敏感性分析,得到了影響孤獨(dú)癥癥狀較嚴(yán)重的因素,即患兒的基因在孤獨(dú)癥候選位點(diǎn)上是否異常,患兒的母親是否有孕期疾病。為了驗(yàn)證矩陣填充模型和算法的有效性,以及合適的數(shù)據(jù)填補(bǔ)可以提高模型精度,降低統(tǒng)計(jì)偏差,本文進(jìn)行了矩陣填充的數(shù)值實(shí)驗(yàn)。首先,利用生成的測(cè)試矩陣測(cè)試算法的表現(xiàn),然后,將兩種算法應(yīng)用到實(shí)際的孤獨(dú)癥患兒數(shù)據(jù)的填充過(guò)程當(dāng)中,將填充結(jié)果與多重插補(bǔ)法(MI)和奇異值閾值算法(SVT)進(jìn)行對(duì)比,結(jié)果證明兩種算法精度均優(yōu)于現(xiàn)有算法。最后,將矩陣填充前后的數(shù)據(jù)輸入孤獨(dú)癥影響因素神經(jīng)網(wǎng)絡(luò)模型,結(jié)果表明合適的數(shù)據(jù)填補(bǔ)確實(shí)可以有效提高模型的預(yù)測(cè)精度。
【圖文】：

圖 4-1 孤獨(dú)癥影響因素神經(jīng)網(wǎng)絡(luò)模型示意Fig. 4-1 Structure of Neural Network of Influence Factors ofASD圖 4-1 中可見(jiàn)，孤獨(dú)癥的影響因素神經(jīng)網(wǎng)絡(luò)模型是一個(gè)三層全連接模型，相鄰層的節(jié)點(diǎn)之間均存在連接，不相鄰層的節(jié)點(diǎn)間無(wú)連接，且隱含層（layer1）的激勵(lì)函數(shù)為 ReLu，輸出層的激勵(lì)函數(shù)為線性函數(shù)。

圖 4-2 收斂速度示意Fig. 4-2 Convergence of Neural Network，縱軸代表?yè)p失函數(shù)的取值，，橫軸代表迭代次數(shù)�？勺笥視r(shí)，損失函數(shù)的斜率急劇變小，整個(gè)網(wǎng)絡(luò)開(kāi)始收斂數(shù)的值并無(wú)明顯變化。為了觀察更加直觀和細(xì)致，將
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：R749.94;TP311.13;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 張瑋奇;張宏志;左旺孟;崔夢(mèng)天;;基于加權(quán)核范數(shù)最小化的矩陣填充模型[J];計(jì)算機(jī)科學(xué);2015年07期

2 馬居飛;匡桂芳;衡中玉;趙永生;馬愛(ài)國(guó);韓秀霞;;孤獨(dú)癥譜系障礙病因影響因素分析[J];中國(guó)兒童保健雜志;2015年06期

3 劉增明;陳運(yùn)非;蔣海青;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)方法的供應(yīng)商選擇[J];工業(yè)工程與管理;2014年01期

4 王健;戴琳;李克春;;氣象觀測(cè)站調(diào)整問(wèn)題的實(shí)證分析[J];科學(xué)技術(shù)與工程;2011年25期

5 李瑞錫;江開(kāi)達(dá);彭裕文;;孤獨(dú)癥研究新進(jìn)展[J];復(fù)旦學(xué)報(bào)(醫(yī)學(xué)版);2010年01期

6 何勇;李曉麗;邵詠妮;;基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋(píng)果品種鑒別方法研究[J];光譜學(xué)與光譜分析;2006年05期

7 陳淑燕,王煒;交通量的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年04期

8 高大啟;有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究[J];計(jì)算機(jī)學(xué)報(bào);1998年01期

相關(guān)博士學(xué)位論文 前1條

1 曾廣翔;面向推薦系統(tǒng)的矩陣填充算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2015年

本文編號(hào)：2623845