常見先天性心臟病的計算機輔助診斷研究.pdf

1、面對人類健康威脅的殺手—心臟疾病，特別是先天性心臟疾病，其診斷和治療成為當前醫(yī)療領域面臨的挑戰(zhàn)之一，目前主要的診療過程只能在大型醫(yī)療機構實現，而對于偏遠地區(qū)的患者的診斷存在較大的困難。因此本文通過基于臨床容易采集的4種心臟生理信號，實現了簡易的先天性心臟病患者的輔助診斷，進而有效的為患者前往就醫(yī)提供參考。
　　本文采用的臨床心臟生理信號有：左心室舒張末期內徑（left ventricular end-diastolic diame

2、ter,LVEDD）、左心室射血分數（leftventricular ejection fraction,LVEF）、B型鈉酸肽（B-type natriuretic peptide,BNP）、心臟缺損大小，基于以上4種心臟生理信號和分類預測模型方法構建了多層分步輔助診斷過程。臨床數據經過數據預處理，清除可能的異常樣本，然后運用三種分類器相結合的方法對臨床數據進行了疾病類型分類，最后根據疾病類型，基于神經網絡的綜合預測方法進行了心臟缺損

3、大小的預測。
　　本文主要解決了以下5個問題：
　?。?）將多元二項式回歸模型應用于臨床醫(yī)療數據的預處理去噪，運用四種不同的多元二項式回歸模型—線性、二次、交叉二次、純二次擬合臨床數據，綜合得出異常點，并對數據進行了簡單的分類。
　?。?）對先天性心臟的三種主要類型—室間隔缺損（ventricular septal defect,VSD）、房間隔缺損（atrial septal defect,ASD）、動脈導管未閉（p

4、atent ductus arteriosus,PDA）進行分步分類，運用三種分類方法—樸素貝葉斯分類、隨機森林分類、支持向量機（SVM）分類，將分類結果進行多數投票綜合得到最終的分類，先將VSD和PDA兩種疾病綜合與ASD進行分類，然后再進行VSD和PDA的分類，第一步分類準確率在85％以上，第二步分類在61%左右，印證了VSD和PDA的并發(fā)出現導致生理病理信號特征的相似性較大的臨床現象。
　?。?）基于兩種神經網絡—BP神經網

5、絡和RBF神經網絡的綜合方法對心臟缺損大小進行預測，融合臨床上的心臟生理數據，學習訓練出生理信號間的網絡關系模型，并以此模型為基礎做出的預測可信度較高，特征間的相關性分析的基礎上構建臨床生理數據間數學關系模型。
　?。?）提出對先天性心臟病的分層輔助診斷，首先運用回歸模型對數據進行預處理；接著綜合運用概率統計模型和神經網絡模型，對疾病類型進行分類；根據分類結果，按照疾病的不同劃分，綜合多種神經網絡模型對心臟疾病嚴重程度預測，即預測