智能計(jì)算技術(shù)的不斷發(fā)展,推動(dòng)了智能輔助系統(tǒng)在各行各業(yè)的廣泛應(yīng)用。在現(xiàn)代醫(yī)療中,醫(yī)生運(yùn)用其工作中積累的經(jīng)驗(yàn)和醫(yī)學(xué)知識(shí)對(duì)病情進(jìn)行診斷,并得出結(jié)論。為了有效繼承醫(yī)生積累的診斷經(jīng)驗(yàn),研發(fā)人員提出了利用人工智能技術(shù)開發(fā)智能醫(yī)療診斷輔助系統(tǒng)的思路。本文針對(duì)上述問題,將機(jī)器學(xué)習(xí)技術(shù)引入醫(yī)療領(lǐng)域,討論了一種基于機(jī)器學(xué)習(xí)的智能診斷輔助方法,并利用醫(yī)院現(xiàn)有醫(yī)療病歷數(shù)據(jù),設(shè)計(jì)實(shí)現(xiàn)了相應(yīng)的智能診斷輔助方法。本文的研究工作主要包括以下幾個(gè)部分:首先,本文基于機(jī)器學(xué)習(xí)在自然語言處理中的應(yīng)用技術(shù),設(shè)計(jì)了面向電子病歷的智能醫(yī)療診斷輔助系統(tǒng)的框架,將診斷輔助問題分別歸納為數(shù)據(jù)處理和病歷文本分類問題。在數(shù)據(jù)處理部分,針對(duì)醫(yī)療病歷數(shù)據(jù)文本具有明顯醫(yī)學(xué)專業(yè)語言的半結(jié)構(gòu)化、信息多維等特性,本文研究設(shè)計(jì)了一種語義傳播算法、基于醫(yī)學(xué)語言特性的病歷文本詞庫建立和創(chuàng)建具有醫(yī)學(xué)語言特性的文本匹配模式,從而實(shí)現(xiàn)電子病歷文本的向量化特征表達(dá)和基于匹配的特征提取。在病歷文本分類部分,面向具體的電子病歷文本數(shù)據(jù),采用目前典型的支持向量機(jī)（SVM）和多層感知機(jī)（MLP）兩種分類方法,分別進(jìn)行疾病分類判別,通過對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)測,對(duì)兩種方法的性能進(jìn)... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

機(jī)器學(xué)習(xí)應(yīng)用于人臉識(shí)別

圖 1.2 各模型在疾病診斷問題上的應(yīng)用文獻(xiàn)[11]表明基于人類大腦波動(dòng)形成的圖片，利用深度信念網(wǎng)絡(luò) (Deep BeliefNetwork, DBN)的相關(guān)技術(shù)建立一個(gè)有效的模型，可以實(shí)時(shí)有效的對(duì)腦部是否存在異常發(fā)病情況的主動(dòng)檢測有很顯著的效果，并且它的速度甚至比 SVM 還快，為早期的治療和判斷提供有力幫助。文獻(xiàn)[12]表明面對(duì)低級(jí)別鱗狀上皮內(nèi)病變，其數(shù)據(jù)來源于醫(yī)療設(shè)備檢查結(jié)果，采用 DBN 的方法建立一個(gè)有效的模型進(jìn)行診斷，實(shí)驗(yàn)中， DBN 在深度學(xué)習(xí)模型中分類效果處于較高水平。文獻(xiàn)[13]表明基于醫(yī)療設(shè)備檢查眼部后的圖片，提供了一種卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetworks，RNN)相結(jié)合判斷白內(nèi)障疾病嚴(yán)重性的方式，判斷準(zhǔn)確性達(dá)到該領(lǐng)域歷史最優(yōu)。文獻(xiàn)[14]表明基于腦部核磁共振的圖像，利用堆疊自動(dòng)編編碼器（StackedAutoencoder,SAE）模型的方法建立一個(gè)有效的模型，可以將分類運(yùn)用到小腦運(yùn)動(dòng)失調(diào)癥的判斷上，準(zhǔn)確性得到顯著提高。2、醫(yī)學(xué)圖像處理

圖 1.3 各模型在醫(yī)學(xué)圖像處理問題上的應(yīng)用文獻(xiàn)[16]表明在超聲波造影分析中，僅靠人工手段進(jìn)行判斷往往無法獲得有效的診斷依據(jù)，甚至?xí)粓D像中存在的噪點(diǎn)干擾而形成誤判，但是利用深度學(xué)習(xí)技術(shù)創(chuàng)建可定制的關(guān)于左心室心瓣內(nèi)膜的超聲波影像，卻可以獲得非常好的效果。文獻(xiàn)[17]表明基于核磁共振后的前列腺圖片分析中，僅靠人工手段設(shè)計(jì)的特征往往因?yàn)閭�(gè)人因素（即，知識(shí)、能力、素質(zhì)等）的原因?qū)е录軜?gòu)出來的特征不夠全面的去表達(dá)需要的內(nèi)容，容易造成遺漏甚至出錯(cuò)。然而利用深度學(xué)習(xí)技術(shù)分析而得到的抽象特征，卻可以很好的分割圖片，并且準(zhǔn)確率比較高。1.3 本文研究內(nèi)容與結(jié)構(gòu)本文主要研究基于機(jī)器學(xué)習(xí)技術(shù)，設(shè)計(jì)一個(gè)智能診斷輔助方法。借助這個(gè)方法，為醫(yī)護(hù)人員在診療時(shí)提供一個(gè)可靠的、有效的疾病分類輔助判斷，對(duì)提高臨床治療、急救處理有著很大的幫助。對(duì)此，針對(duì)本課題研究內(nèi)容和問題，本文結(jié)合醫(yī)療數(shù)據(jù)、分詞工具等對(duì)課題進(jìn)行研究，并將所做工作和文章結(jié)構(gòu)安排如下：

【參考文獻(xiàn)】：
期刊論文
[1]基于文本挖掘的電商企業(yè)評(píng)論打分機(jī)制有效性驗(yàn)證[J]. 胡發(fā)剛,謝軍.  吉林工商學(xué)院學(xué)報(bào). 2015(03)
[2]基于CRF的先秦漢語分詞標(biāo)注一體化研究[J]. 石民,李斌,陳小荷.  中文信息學(xué)報(bào). 2010(02)
[3]基于TFIDF的文本特征選擇方法[J]. 柴玉梅,王宇.  微計(jì)算機(jī)信息. 2006(24)
[4]一個(gè)面向文本分類的中文特征詞自動(dòng)抽取方法[J]. 付德宇,代成琴.  計(jì)算機(jī)工程與應(yīng)用. 2006(15)
[5]中文文本分類中的特征選擇研究[J]. 周茜,趙明生,扈旻.  中文信息學(xué)報(bào). 2004(03)
[6]基于神經(jīng)網(wǎng)絡(luò)的智能診斷[J]. 虞和濟(jì),陳長征,張省.  振動(dòng)工程學(xué)報(bào). 2000(02)
[7]數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理[J]. 劉明吉,王秀峰,黃亞樓.  計(jì)算機(jī)科學(xué). 2000(04)
[8]平面點(diǎn)集凸包的最優(yōu)實(shí)時(shí)算法[J]. 王志強(qiáng),洪嘉振,肖立瑾.  計(jì)算機(jī)學(xué)報(bào). 1998(S1)

碩士論文
[1]基于BoW模型的圖像分類方法研究[D]. 王瑩.哈爾濱工程大學(xué) 2012
[2]中文文本分詞研究[D]. 許林杰.山東師范大學(xué) 2003



本文編號(hào)：3011553