骨質疏松癥是一種發(fā)病率高、起病隱匿的疾病.若不及時發(fā)現(xiàn),導致病情加重和死亡率增加,將給患者及家庭帶來沉重的負擔.人工智能技術可有助于骨質疏松癥的早期發(fā)現(xiàn),預測患者患病風險.首先綜述了常用于骨質疏松領域的醫(yī)學人工智能技術的基礎理論和研究現(xiàn)狀,然后從骨質疏松癥的危險因素分析、風險預測、識別與診斷三方面入手,分析回顧了相關研究,以期為國內同行提供關于該領域研究的最新進展.同時指出目前人工智能技術在骨質疏松應用的制約因素和挑戰(zhàn),并提出未來展望,為國內開展相關研究提供參考. 

【文章來源】：小型微型計算機系統(tǒng). 2019,40(09)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

邏輯回歸模型Fig．1Logisticregressionmodel

?．2決策樹決策樹(DecisionTree，DT)［17］是一種歸納學習算法，其利用一組無規(guī)則、無次序的實例推理出有效的分類規(guī)則，從而對數(shù)據(jù)進行分類．決策樹先通過訓練集進行學習，得到一個測試函數(shù)，然后根據(jù)不同的權值建立樹的分支，即葉子節(jié)點，在每個葉子節(jié)點下又建立層次節(jié)點和分支，藉此生成決策樹．決策樹以樹狀圖的形式表示預測結果，比較直觀．常用的決策樹算法包括ID3和C4．5等．ID3算法根據(jù)信息理論，采用劃分后樣本集的不確定性作為衡量劃分好壞的標準，在每個分葉圖2決策樹模型Fig．2Decisiontreemodel節(jié)點選取時，選擇信息增益最大的屬性作為測試屬性．C4．5是對ID3算法的改進和擴展，其用信息增益率來選擇屬性，克服了ID3在選擇屬性時偏向選擇取值多的屬性的不足，當屬性值空缺時，通過使用不同的修剪技術以避免樹的過擬合［18］．圖2是簡單的決策樹模型．2．2．3隨機森林隨機森林(ＲandomForest，ＲF)［19］通過自助法重采樣技術，從訓練集中重復隨機抽取k個分類樹組成隨機森林．新數(shù)據(jù)的分類結果按分類樹投票多少形成的分數(shù)而定．其實質是對決策樹算法的一種改進，將多個決策樹合并在一起，每棵樹的建立依賴于一個獨立抽取的樣品．隨機森林中的每棵樹具有相同的分布，分類誤差取決于每一顆樹的分類能力和他們之間的相關性．特征選擇采取隨機的方法去分裂每一個節(jié)點，然后比較不同情況下產生的誤差．能夠檢測到的內在估計誤差、分類能力和相關性決定選擇特征的數(shù)目．單棵樹的分類能力可能很小，但在隨機產生大量的決策樹后，一個測試樣品可以通過每一棵樹的分類結果經統(tǒng)計后選擇最可能的分

［20］．2．2．4神經網絡人工神經網絡(ArtificialNeuralNetwork，ANN)是一種非線性映射方法，屬于隱式數(shù)學處理方法，不需要建立數(shù)學模型，是由網絡訓練的數(shù)據(jù)概括出的知識，以多組權值及閥值的方式存儲與各個神經元中，從而構建網絡知識，利用該知識來評估或預測相關因素的結果［21］．在神經網絡應用于骨質疏松癥的診斷中，需要建立診斷分類的神經網絡模型，利用神經網絡對已有的數(shù)據(jù)集進行訓練，并用測試集對其進行仿真測試，再對未知的病情進行診斷分析，以得到較為準確的分類結果．圖3人工神經網絡結構Fig．3Artificialneuralnetworkmodel在人工神經網絡模型的訓練過程中，無需人為確定權重，可以減少診斷過程的人為因素，從而提高診斷的靠靠性，使診斷結果更有效、更客觀，有助于有效的降低骨質疏松診斷的誤診率和漏診率［22］．圖3是簡單的人工神經網絡模型．2．2．5支持向量機支持向量機(SupportVectorMachine，SVM)基于核函數(shù)的分類方法，聯(lián)合多個參數(shù)值，在非線性空間利用支持向量機分類算法，能夠實現(xiàn)有效的數(shù)據(jù)分類，得到非線性分類邊界［23］．神經網絡根據(jù)經驗風險最小化原則(Empiricalriskminimization，EＲM)來訓練學習，而支持向量機則根據(jù)結構風險最小化原則(StructuralＲiskMinimization，SＲM)提高學習的泛化能力，避免了神經網絡存在的“過學習”問題［24］．支持向量機在圖像處理、文本分類等領域應用廣泛．但是，對于輸圖4支持向量機模型示意圖Fig．4Supportvectormachinemodel入變量較多、樣本集較大的情況下，支持向量機的計算復雜性和空間復雜性會急劇增加，導致訓練時間長

【參考文獻】：
期刊論文
[1]人工智能輔助診療發(fā)展現(xiàn)狀與戰(zhàn)略研究[J]. 孔鳴,何前鋒,李蘭娟.  中國工程科學. 2018(02)
[2]基于深度學習的醫(yī)學圖像識別研究進展[J]. 劉飛,張俊然,楊豪.  中國生物醫(yī)學工程學報. 2018(01)
[3]隨機森林模型在ICU患者住院死亡風險預測中的應用[J]. 謝俊卿,藺軻,李春曉,孔桂蘭.  中國數(shù)字醫(yī)學. 2017(11)
[4]基于特征融合的低倍鏡下大鼠骨質疏松識別[J]. 蔡潔,周珂,何文廣,吳天秀,王龍.  生物醫(yī)學工程研究. 2017(02)
[5]FRAX和Garvan法評估中老年人群骨折風險效果比較[J]. 王俊,王雪君,方貞.  預防醫(yī)學. 2017(03)
[6]基于顯微CT多分形譜特征和支持向量機的骨質疏松診斷[J]. 劉健.  承德醫(yī)學院學報. 2016(03)
[7]絕經后非糖尿病婦女骨質疏松癥影響因素的Logistic回歸和ROC曲線分析[J]. 李茂蓉,黃薇,歐小虹,姜艷,夏維波.  中國骨質疏松雜志. 2016(05)
[8]基于Logistic回歸和隨機森林算法的2型糖尿病并發(fā)視網膜病變風險預測及對比研究[J]. 曹文哲,應俊,陳廣飛,周丹.  中國醫(yī)療設備. 2016(03)
[9]骨質疏松癥患者頜骨骨密度與全身骨密度相關性研究進展[J]. 胡曉暉,王晨明.  中國骨質疏松雜志. 2015(12)
[10]基于線性組合的骨質疏松疾病診斷分類模型研究[J]. 李超,楊樞,周瑛.  電腦知識與技術. 2014(33)

博士論文
[1]骨質疏松遺傳學的連鎖排除和人工神經網絡研究[D]. 陳湘定.湖南師范大學 2006



本文編號：3322516