【摘要】：在醫(yī)療健康服務(wù)領(lǐng)域,數(shù)據(jù)分析技術(shù)常用于輔助醫(yī)生進(jìn)行疾病診斷。在診斷慢性病時,由于其成因復(fù)雜并有很大的概率可能引發(fā)相應(yīng)的并發(fā)癥,導(dǎo)致許多患者可能同時患有超過一個疾病,因此慢性病的輔助診斷模型需要為醫(yī)生推薦多個可能的疾病,從而幫助醫(yī)生發(fā)現(xiàn)患者更多潛在的疾病。由于多標(biāo)簽學(xué)習(xí)算法可以同時輸出多個與預(yù)測樣本相關(guān)的結(jié)果,所以多標(biāo)簽學(xué)習(xí)算法是一種非常適用于構(gòu)建慢性病的疾病診斷模型的算法。但是,現(xiàn)有的多標(biāo)簽學(xué)習(xí)算法在醫(yī)療數(shù)據(jù)分析上還存在很多局限性。論文以提升慢性病的輔助診斷模型性能為目標(biāo),針對多標(biāo)簽學(xué)習(xí)算法在分析醫(yī)療數(shù)據(jù)中存在的幾個關(guān)鍵問題進(jìn)行了研究。主要工作如下:(1)針對醫(yī)療數(shù)據(jù)中的類別非均衡現(xiàn)象會導(dǎo)致多標(biāo)簽分類學(xué)習(xí)模型性能降低的問題,提出了一種融合多類集成分類的成對聚合多標(biāo)簽學(xué)習(xí)算法。對于每一個標(biāo)簽,該算法將多標(biāo)簽學(xué)習(xí)任務(wù)分成一個二元分類任務(wù)和多個多分類任務(wù),然后訓(xùn)練一個二元分類器,以及利用一個基于正則化的多類集成分類算法來構(gòu)建多類分類器,最后聚集二元分類器和多類分類器來預(yù)測樣本的標(biāo)簽,以提升多標(biāo)簽算法處理非均衡數(shù)據(jù)的能力。在醫(yī)療數(shù)據(jù)集上實現(xiàn)該算法,并對比其他多個多標(biāo)簽算法的實驗結(jié)果,驗證了融合多類集成分類的成對聚合多標(biāo)簽學(xué)習(xí)算法在分析非均衡醫(yī)療數(shù)據(jù)上的優(yōu)越性。(2)針對采用醫(yī)療數(shù)據(jù)的所有癥狀指標(biāo)訓(xùn)練的多標(biāo)簽學(xué)習(xí)模型的準(zhǔn)確度較低和訓(xùn)練效率較低的問題,提出了一種基于特征信息的多標(biāo)簽學(xué)習(xí)算法。該算法首先采用概率鄰域圖模型計算特征空間中實例的相關(guān)性,然后采用余弦相似性計算標(biāo)簽空間中標(biāo)簽的相關(guān)性。對于多標(biāo)簽數(shù)據(jù),該算法不僅可以實現(xiàn)為每個標(biāo)簽選出標(biāo)簽特定特征的功能,而且還可以實現(xiàn)為樣本預(yù)測一組相關(guān)的標(biāo)簽的功能。在醫(yī)療數(shù)據(jù)集上的實驗結(jié)果表明該算法在提升慢性病的輔助診斷模型性能的效用。此外,本文還使用其他的公開數(shù)據(jù)集進(jìn)行實驗,驗證了該算法的通用性和優(yōu)越性。(3)為了分析多種疾病的相關(guān)性,提升多標(biāo)簽學(xué)習(xí)模型的準(zhǔn)確性和高效性,提出了一種基于標(biāo)簽相關(guān)性的快速RAkEL算法。為了實現(xiàn)充分利用標(biāo)簽的相關(guān)性,該算法首先基于歐幾里得相似度計算每個樣本的k近鄰,并為每個標(biāo)簽構(gòu)建標(biāo)簽近鄰標(biāo)記矩陣和標(biāo)簽近鄰缺失矩陣,然后分別根據(jù)標(biāo)簽近鄰標(biāo)記矩陣的相似度和標(biāo)簽近鄰缺失矩陣的相似度來衡量標(biāo)簽的正相關(guān)性和負(fù)相關(guān)性,最后根據(jù)標(biāo)簽正相關(guān)性和負(fù)相關(guān)性來選擇標(biāo)簽子集。選定標(biāo)簽子集后,對于每一個標(biāo)簽子集,首先采用回歸模型把樣本分為相關(guān)與不相關(guān)的兩個類,接著用LP模型訓(xùn)練相關(guān)的樣本,從而實現(xiàn)高效的多標(biāo)簽學(xué)習(xí)。通過在醫(yī)療數(shù)據(jù)集上進(jìn)行實驗,驗證了提出的算法能夠提高慢性病的輔助診斷模型的精度和效率。并且,在其他公開數(shù)據(jù)集上的實驗結(jié)果表明該算法具有更優(yōu)越的性能。
【學(xué)位授予單位】：海南大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;R-05
【圖文】：

那么多標(biāo)簽學(xué)習(xí)就退化為傳統(tǒng)的單標(biāo)簽（單類）監(jiān)督學(xué)習(xí)。多標(biāo)簽學(xué)習(xí)的目的逡逑是盡可能為標(biāo)簽未知的樣本找到相關(guān)的標(biāo)簽，多標(biāo)簽學(xué)習(xí)模型的輸出可能包含一個或逡逑者多個標(biāo)簽的標(biāo)簽集合。多標(biāo)簽學(xué)習(xí)的步驟如圖１－４所示。因此，可以把識別患者可逡逑能的慢性病的任務(wù)轉(zhuǎn)化為機(jī)器學(xué)習(xí)中的多標(biāo)簽學(xué)習(xí)任務(wù)。逡逑標(biāo)注的樣本逡逑訓(xùn)練逡逑，，邐睡可能的標(biāo)簽１邋ｋ逡逑—N一N邐．多標(biāo)簽學(xué)邐Ｍ；ＷＪ邋．逡逑未標(biāo)注的樣本邋邐＾習(xí)模型邋邐＾逡逑圖１－４多標(biāo)簽學(xué)習(xí)的步驟逡逑Ｆｉｇ．邋１－４邋Ｐｈａｓｅｓ邋ｏｆ邋ｍｕｌｔｉ－ｌａｂｅｌ邋ｌｅａｒｎｉｎｇ逡逑在醫(yī)療領(lǐng)域，己經(jīng)有研究人員進(jìn)行了采用多標(biāo)簽學(xué)習(xí)算法構(gòu)建慢性病的輔助診斷逡逑模型的研宄。Ｉｒａ邋Ｇｏｌｄｓｔｅｉｎ等從Ｉ２Ｂ２邋２００８數(shù)據(jù)中提取出肥胖癥及其他１５種并發(fā)癥的逡逑患者數(shù)據(jù)，把每一類視為一個標(biāo)簽，為每一個類訓(xùn)練一個分類器，然后對這些疾病進(jìn)逡逑行多標(biāo)簽學(xué)習(xí)（Ｇｏｌｄｓｔｅｉｎ邋ｅｔ邋ａｌ．，２００９）。Ｄａｍｉｅｎ邋Ｒｅｙ等利用多標(biāo)簽學(xué)習(xí)算法分析病人可逡逑能患有的多個慢性疾�。ǎ模幔恚椋澹铄澹澹翦澹幔欤�，邋２０１５）。馬洪超等根據(jù)產(chǎn)科的入院診斷包含正常逡逑診斷和并發(fā)癥等實際情況，采用多標(biāo)簽分類算法對產(chǎn)科電子病歷進(jìn)行自動診斷（馬洪逡逑超等，２０１８）。Ｌｉ等將中藥方劑與中醫(yī)癥候關(guān)系轉(zhuǎn)化為個多實例學(xué)習(xí)和多標(biāo)簽學(xué)習(xí)問逡逑題

１．５論文的結(jié)構(gòu)逡逑本文可概括為機(jī)器學(xué)習(xí)技術(shù)與醫(yī)學(xué)數(shù)據(jù)分析兩者中的交叉研究。本文的邏輯框架逡逑圖如圖１－５所示。逡逑第一章緒論逡逑—二ＩＺ—逡逑第二章多標(biāo)簽學(xué)習(xí)算法的研逡逑栜述逡逑邐一￣１＾一邋邐逡逑而向慢性病輔助診斷的多標(biāo)簽學(xué)Ａｌ算法研究邐＾逡逑類別非均衡邐樣本特征數(shù)量大邐多個標(biāo)簽相互關(guān)聯(lián)逡逑第三章融合多類集成分類邐第四章基于特征信息的多邐第五章基于標(biāo)簽相關(guān)性的逡逑的成對聚合多標(biāo)簽學(xué)習(xí)算法邐標(biāo)簽學(xué)習(xí)算法邐快速ＲＡｋＥＬ算法逡逑Ｖ邐邐／逡逑晷逡逑第六章總結(jié)與展望逡逑圖１－５論文的邏輯框架圖逡逑Ｆｉｇ．１－５邋Ｌｏｇｉｃａｌ邋ｆｒａｍｅｗｏｒｋ邋ｏｆ邋ｔｈｅ邋ｐａｐｅｒ逡逑章節(jié)安排如下：逡逑第一章：緒論。本章首先闡述了論文的研宄背景和研究意義。接著，簡述了單標(biāo)逡逑簽學(xué)習(xí)與多標(biāo)簽學(xué)習(xí)的差異，論述了基于單標(biāo)簽學(xué)習(xí)算法的輔助診斷研究現(xiàn)狀和基于逡逑多標(biāo)簽學(xué)習(xí)算法的輔助診斷研宄現(xiàn)狀，指出了面向慢性病輔助診斷的多標(biāo)簽算法面臨逡逑的關(guān)鍵問題。最后，基于前文的討論提煉出論文的研究內(nèi)容及結(jié)構(gòu)。逡逑第二章：多標(biāo)簽學(xué)習(xí)算法的研宄綜述。本章首先對多標(biāo)簽學(xué)習(xí)算法進(jìn)行描述，然逡逑后對多標(biāo)簽學(xué)習(xí)算法展開分類討論，論述了經(jīng)典的問題轉(zhuǎn)換的多標(biāo)簽學(xué)習(xí)算法和算法逡逑適應(yīng)的多標(biāo)簽學(xué)習(xí)算法，并介紹了針對類別非均衡的多標(biāo)簽學(xué)習(xí)算法和多標(biāo)簽特征維逡逑度約簡算法的研究現(xiàn)狀

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 胡學(xué)鋼;許堯;李培培;張玉紅;;一種過濾式多標(biāo)簽特征選擇算法[J];南京大學(xué)學(xué)報(自然科學(xué));2015年04期

2 王霄;周李威;陳耿;朱玉全;;一種基于標(biāo)簽相關(guān)性的多標(biāo)簽分類算法[J];計算機(jī)應(yīng)用研究;2014年09期

3 張振海;李士寧;李志剛;陳昊;;一類基于信息熵的多標(biāo)簽特征選擇算法[J];計算機(jī)研究與發(fā)展;2013年06期

4 鄭偉;王朝坤;劉璋;王建民;;一種基于隨機(jī)游走模型的多標(biāo)簽分類算法[J];計算機(jī)學(xué)報;2010年08期

相關(guān)博士學(xué)位論文 前2條

1 王普;多標(biāo)記學(xué)習(xí)算法研究及在生物醫(yī)學(xué)數(shù)據(jù)挖掘中的應(yīng)用[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院);2017年

2 王昱;基于電子病歷數(shù)據(jù)的臨床決策支持研究[D];浙江大學(xué);2016年

相關(guān)碩士學(xué)位論文 前1條

1 胡瑋;基于改進(jìn)鄰域粗糙集和隨機(jī)森林算法的糖尿病預(yù)測研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2018年

本文編號：2738449