基于數(shù)據挖掘技術的頸動脈硬化斑塊診斷研究.pdf

1、在我國60歲以上人群中頸動脈硬化的發(fā)病率高達70％以上，患病年齡也已從60歲提前至45歲，嚴重威脅著中老年人身體健康。目前對該疾病的診斷主要是通過醫(yī)生人工完成，不僅工作效率低下，而且大量高維的數(shù)據人腦很難分析。針對這些問題，論文使用數(shù)據挖掘工具Weka對來自西安唐都醫(yī)院的311例頸動脈硬化患者電子病歷中的血流動力學信息數(shù)據集，分別使用分類算法中經典的BP（Back Propagation）算法、C4.5算法與支持向量機建立頸動脈硬化斑塊

2、診斷分類器，對比分析得出性能最優(yōu)的是支持向量機分類器。并通過進一步的集成優(yōu)化，使得該支持向量機分類器性能得到了較大提高，進而幫助醫(yī)生對頸動脈硬化斑塊做出科學的診斷決策。以下是論文研究分析的主要內容:
　　1)充分理解頸動脈硬化斑塊臨床診斷指標。通過分析可知頸動脈的血流動力學信息與頸動脈硬化斑塊的形成有著密切關系，提取該部分數(shù)據并將血流動力學信息的所有屬性作為此次數(shù)據挖掘的主要研究對象。
　　2)對頸動脈血流動力學信息數(shù)據集進

3、行數(shù)據預處理。首先，將數(shù)據格式調整為ARFF（Attribute Relation File Format）文件格式;其次，將血流動力學信息中的所有屬性根據數(shù)據挖掘算法的不同需求進行規(guī)范化;最后，使用不同屬性選擇方法對無關屬性進行過濾，篩選出最為相關的屬性子集建立分類器。
　　3)分別使用BP算法、C4.5算法以及支持向量機算法建立頸動脈硬化斑塊診斷分類器。每種算法建模時都有自己的參數(shù)，因此使用不同的參數(shù)選擇方法進行選擇，選擇時的

4、原則是選取一定范圍內能使所建分類器準確率最優(yōu)的參數(shù)組合并使用這一組合建模。
　　4)評估三個診斷模型并選擇其中性能最優(yōu)的支持向量機診斷模型進一步優(yōu)化。分別對BP分類器、C4.5分類器與支持向量機分類器從建模時間、可解釋性、誤差與成本四個方面進行對比分析并選擇三者之中性能最好的，通過評估結果可知性能最優(yōu)的是支持向量機分類器，但仍有進步空間，因此利用集成學習中的Adaboost算法對其進行優(yōu)化。
　　通過實驗得到了與頸動脈硬化斑