隨著電子病歷系統(tǒng)在全球大范圍的應用和深度學習浪潮的推動,如何利用深度學習挖掘患者電子病歷數(shù)據(jù),輔助醫(yī)務人員治療,提高臨床診斷的準確率,降低醫(yī)療成本已經(jīng)成為目前研究的熱點。本文利用深度學習相關(guān)方法,在患者病程治療和ICU干預等任務做了相關(guān)研究與嘗試。本文的主要工作總結(jié)如下:（1）本文提出基于注意力機制的多任務序列特征學習（AGSFLM）模型,AGSFLM在多任務學習基礎(chǔ)上引入注意力機制,以此來學習不同任務的公共特征和私有特征。本文在MIMIC-Ⅲ數(shù)據(jù)集上對基于注意力機制的多任務序列特征學習模型進行了檢驗,實驗結(jié)果表明該方法可以顯著提高預測準確率,與目前最新的模型比較也有優(yōu)異的效果。（2）針對普通的回歸方法無法對患者住院時間較好的估計,本文考慮到患者住院時間可以看做有序的標簽預測問題,提出了利用有序回歸（Ordinal Regression）對患者住院時間進行建模的方法。本文在深度學習基礎(chǔ)上考慮患者住院時間的順序關(guān)系,將有序回歸方法與深度學習結(jié)合起來,實驗結(jié)果表明,有序回歸和深度學習結(jié)合的方法降低了患者住院時間預測的誤差,提高了模型的準確率。（3）針對ICU病房中醫(yī)務人員經(jīng)常需要提前判斷患... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 深度學習研究現(xiàn)狀
        1.2.2 電子病歷研究現(xiàn)狀
    1.3 本文的主要貢獻與創(chuàng)新
    1.4 本文的結(jié)構(gòu)安排
第二章 相關(guān)任務背景知識及技術(shù)介紹
    2.1 MIMIC-Ⅲ數(shù)據(jù)集
    2.2 任務背景
        2.2.1 病情發(fā)展相關(guān)任務
        2.2.2 干預相關(guān)任務
    2.3 多任務學習
    2.4 評價指標
    2.5 PyTorch平臺
    2.6 本章小結(jié)
第三章 基于AGSFLM模型的病程任務預測
    3.1 引言
    3.2 循環(huán)神經(jīng)網(wǎng)絡
    3.3 注意力機制
    3.4 基于注意力機制的單病程任務預測
        3.4.1 基于注意力機制的單個病程任務模型設(shè)計
        3.4.2 基于注意力機制的單個病程任務模型實驗
            3.4.2.1 實驗環(huán)境
            3.4.2.2 模型評價標準
            3.4.2.3 實驗結(jié)果分析
    3.5 基于AGSFLM模型的病程任務預測
        3.5.1 基于AGSFLM模型的病程任務預測
        3.5.2 基于AGSFLM模型的病程任務實驗
    3.6 本章小結(jié)
第四章 基于TSDMEML模型的ICU干預任務預測
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡
    4.3 基于卷積神經(jīng)網(wǎng)絡的ICU干預任務預測
        4.3.1 基于卷積神經(jīng)網(wǎng)絡的ICU干預任務的模型設(shè)計
        4.3.2 基于卷積神經(jīng)網(wǎng)絡的ICU干預任務的實驗
    4.4 基于循環(huán)神經(jīng)網(wǎng)絡的ICU干預任務預測
        4.4.1 基于循環(huán)神經(jīng)網(wǎng)絡的單個干預任務預測
        4.4.2 基于循環(huán)神經(jīng)網(wǎng)絡的單個干預任務實驗
        4.4.3 基于循環(huán)神經(jīng)網(wǎng)絡和注意力機制的多個干預任務預測
        4.4.4 基于循環(huán)神經(jīng)網(wǎng)絡和注意力機制的多個干預任務實驗
    4.5 基于TSDMEML的ICU干預任務預測
        4.5.1 混合專家模型
        4.5.2 基于TSDMEML的ICU干預任務預測模型設(shè)計
            4.5.2.1 全局特征層
            4.5.2.2 多任務混合專家模型
        4.5.3 基于TSDMEML的ICU干預任務預測實驗
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]基于電子病歷利用支持向量機構(gòu)建疾病預測模型——以重度急性胰腺炎早期預警為例[J]. 張曄,張晗,尹玢璨,趙玉虹.  現(xiàn)代圖書情報技術(shù). 2016(02)
[2]基于XML技術(shù)的電子病歷管理平臺研究與實現(xiàn)[J]. 林曉東,辜曉燕,薛飛,黎亮.  醫(yī)學信息學雜志. 2010(02)



本文編號：3340884