當(dāng)前位置：主頁 > 醫(yī)學(xué)論文 > 醫(yī)衛(wèi)管理論文 >

融合詞匯語義的深度學(xué)習(xí)電子病歷診斷模型研究

發(fā)布時(shí)間：2020-08-25 17:15

【摘要】：電子病歷(Electronic Medical Record,EMR)是醫(yī)療知識(shí)高度密集的數(shù)據(jù)集合,對(duì)EMR數(shù)據(jù)進(jìn)行分析挖掘能產(chǎn)生有價(jià)值的結(jié)果。目前,電子病歷的二次應(yīng)用集中在輔助醫(yī)療診斷,以提高臨床診斷的準(zhǔn)確率。由于信息安全和隱私問題,龐大EMR數(shù)據(jù)集構(gòu)建存在問題,再加上深度學(xué)習(xí)的先驗(yàn)知識(shí)缺失問題,導(dǎo)致以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)為代表的深度學(xué)習(xí)模型在EMR輔助診斷上的準(zhǔn)確性還遠(yuǎn)未能達(dá)到實(shí)用水平。針對(duì)上述挑戰(zhàn)性問題,本文研究融合詞匯語義的深度學(xué)習(xí)兒科EMR診斷模型。分別提出詞匯語義向量(LSV)和詞匯語義預(yù)判模態(tài)(SDG)兩種策略來提升基于CNN的EMR診斷模型性能�？偨Y(jié)來,論文的主要研究?jī)?nèi)容和創(chuàng)新工作如下:1.基于LSV-CNN的EMR診斷模型研究.針對(duì)以word2vec為代表的基于大數(shù)據(jù)驅(qū)動(dòng)的詞嵌入向量缺少詞法特征和知識(shí)表示,難以真正理解EMR詞匯語義信息的缺陷,而提出一種融合詞匯語義向量和詞嵌入向量的EMR診斷模型LSV-CNN(Lexical Semantic Vector Convolutional Neural Network)。該模型將詞匯語義向量和word2vec詞嵌入向量進(jìn)行拼接合成,形成新的詞向量表達(dá)作為深度學(xué)習(xí)模型的輸入,以獲得更加豐富的特征表達(dá)。實(shí)驗(yàn)結(jié)果表明,LSV-CNN模型比單純CNN模型性能更有優(yōu)勢(shì)。2.基于SDG-CNN的EMR診斷模型研究.針對(duì)以卷積神經(jīng)網(wǎng)絡(luò)為代表的基于數(shù)據(jù)統(tǒng)計(jì)特征的模型優(yōu)化方法缺乏EMR背景知識(shí)和語義信息,信息模態(tài)單一的缺陷,而提出一種融合詞匯語義預(yù)判模式的EMR診斷模型SDG-CNN(Semantic Decision Guide Convolutional Neural Network)。該模型在模式識(shí)別層融合深度學(xué)習(xí)決策模式和詞匯語義預(yù)判模式,旨在利用詞匯語義預(yù)判模式結(jié)果對(duì)深度學(xué)習(xí)模型的訓(xùn)練進(jìn)行指導(dǎo),以期在訓(xùn)練中增加背景知識(shí)和語義信息,使得模型更貼近人類的思考方式。實(shí)驗(yàn)表明,SDGCNN模型比單純CNN模型的準(zhǔn)確率和F1-score有很大程度的提升。3.基于LSV-SDG-CNN的EMR診斷模型研究.為了充分利用LSV和SDG兩種方式所提取到的電子病歷所蘊(yùn)含的大量豐富語義信息,提出融合LSV和SDG的EMR診斷模型LSV-SDG-CNN。實(shí)驗(yàn)結(jié)果證明,LSV-SDG-CNN模型的F值最高達(dá)到86.2%。本文有效解決了基于專家的領(lǐng)域知識(shí)與基于大數(shù)據(jù)的深度學(xué)習(xí)有效融合的問題,探索人工智能研究中人工+智能的耦合模式,對(duì)深度學(xué)習(xí)模型和人工智能的研究路徑有積極的意義。
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R-05;TP18
【圖文】：