面向疾病智能診斷的機(jī)器學(xué)習(xí)方法研究.pdf

1、研究疾病智能診斷模型，對提高疾病診斷的正確性、實(shí)時(shí)性，減輕醫(yī)務(wù)人員的勞動強(qiáng)度，具有十分重要的意義。機(jī)器學(xué)習(xí)方法不僅可以對醫(yī)療檢測出的數(shù)值結(jié)果進(jìn)行主動學(xué)習(xí)，而且能在繁雜模型中快速的做出智能決策。近年來，機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于各種醫(yī)療診斷系統(tǒng)。然而，并非單一的機(jī)器學(xué)習(xí)方法在對未知數(shù)據(jù)進(jìn)行預(yù)測時(shí)就能達(dá)到較高的泛化能力，在機(jī)器學(xué)習(xí)算法應(yīng)用中，還需要綜合考慮多種技術(shù)的融合和優(yōu)化。
　　論文在研究機(jī)器學(xué)習(xí)和疾病診斷方法的基礎(chǔ)上，重點(diǎn)研究了以

2、支持向量機(jī)(SVM)為基礎(chǔ)的疾病診斷模型及其優(yōu)化方法，主要研究內(nèi)容和工作成果如下：
　　1、對傳統(tǒng)的機(jī)器學(xué)習(xí)診斷系統(tǒng)進(jìn)行了深入分析，考慮到疾病數(shù)據(jù)具有不平衡、冗余和高維特性，研究了數(shù)據(jù)預(yù)處理，降維及不平衡數(shù)據(jù)處理方法，以典型分類方法為基礎(chǔ)，分別建立了基于決策樹與SVM的乳腺癌診斷模型，試驗(yàn)結(jié)果表明，SVM診斷方法表現(xiàn)了更好的預(yù)測性能。
　　2、針對SVM的性能易受其超參數(shù)(如懲罰因子C和RBF核的核寬γ)影響，將網(wǎng)格參數(shù)尋優(yōu)

3、算法引入到SVM的診斷模型?？紤]到網(wǎng)格參數(shù)尋優(yōu)的低效性和敏感性，利用智能計(jì)算技術(shù)，分別設(shè)計(jì)了基于遺傳算法(GA)和粒子群優(yōu)化算法(PSO)的SVM診斷模型。實(shí)驗(yàn)結(jié)果表明該類模型可以有效地篩選出最重要的致病特征，準(zhǔn)確地對乳腺癌病情做出診斷。
　　3、集成學(xué)習(xí)因其能顯著提高一個(gè)學(xué)習(xí)系統(tǒng)的泛化能力而得到了機(jī)器學(xué)習(xí)界的廣泛關(guān)注。利用Adaboost方法改變樣本分布，獲得一組具有差異性的基分類器，從而建立基于Adaboost的SVM集成診斷