隨著醫(yī)療數(shù)字化技術(shù)、人工智能和大數(shù)據(jù)技術(shù)的發(fā)展,醫(yī)療模式逐漸從以治療為主轉(zhuǎn)變?yōu)橐灶A(yù)防為主。將人工智能和大數(shù)據(jù)技術(shù)結(jié)合用于疾病風(fēng)險(xiǎn)預(yù)測(cè)是智能醫(yī)療領(lǐng)域的一個(gè)研究重點(diǎn)。疾病風(fēng)險(xiǎn)預(yù)測(cè)是指發(fā)現(xiàn)疾病的潛在風(fēng)險(xiǎn)和趨勢(shì),對(duì)于疾病的預(yù)防、干預(yù)和管理具有重要作用。在實(shí)際生活中,經(jīng)常發(fā)現(xiàn)人們同時(shí)患有多種疾病的潛在風(fēng)險(xiǎn)和趨勢(shì),這種問題屬于多疾病風(fēng)險(xiǎn)預(yù)測(cè)問題。為了有效地處理多疾病風(fēng)險(xiǎn)預(yù)測(cè)問題,研究學(xué)者已經(jīng)設(shè)計(jì)了許多較好的算法。本文采用深度學(xué)習(xí)來處理多疾病風(fēng)險(xiǎn)預(yù)測(cè)問題,因?yàn)樯疃葘W(xué)習(xí)技術(shù)最近非常受歡迎。在多疾病風(fēng)險(xiǎn)預(yù)測(cè)模型設(shè)計(jì)中,本文專注于深度學(xué)習(xí)算法設(shè)計(jì)和改進(jìn)。本文首先采用問題轉(zhuǎn)化方法將多疾病風(fēng)險(xiǎn)預(yù)測(cè)問題轉(zhuǎn)化為多標(biāo)記學(xué)習(xí)問題。因?yàn)閱栴}轉(zhuǎn)化方法能夠使算法獨(dú)立,只需進(jìn)行多疾病標(biāo)記轉(zhuǎn)換工作,并采用Binary Relevance（BR）和Label Powerset（LP）這兩種常見的問題轉(zhuǎn)化方法對(duì)多疾病標(biāo)記分別進(jìn)行轉(zhuǎn)化。在問題轉(zhuǎn)化方法基礎(chǔ)之上,本文設(shè)計(jì)了一個(gè)新穎的卷積神經(jīng)網(wǎng)絡(luò)框架,命名為GroupNet,并分別與BR和LP方法進(jìn)行結(jié)合。GroupNet網(wǎng)絡(luò)框架的核心組成部分是本文提出的組模塊,組模塊由組卷積和聚類卷積... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

疾病標(biāo)記分析圖

從總體趨勢(shì)來看，隨著訓(xùn)練周期增多，準(zhǔn)確率也隨之上升，但是當(dāng)訓(xùn)練周期超過 20 時(shí)，準(zhǔn)確率開始下降。主要原因可能是訓(xùn)練周期過多，導(dǎo)致模型過擬合。根據(jù)實(shí)驗(yàn)結(jié)果，本文選擇訓(xùn)練周期數(shù)為 20。圖 4.3(b)為學(xué)習(xí)率和準(zhǔn)確率之間的變化關(guān)系，本文設(shè)置 12 組不相同學(xué)習(xí)率。從實(shí)驗(yàn)結(jié)果可知當(dāng)學(xué)習(xí)率較小時(shí)，準(zhǔn)確率結(jié)果之間的差距不大。但是當(dāng)學(xué)習(xí)率超過 0.02 時(shí)，準(zhǔn)確率驟降，因此，較大學(xué)習(xí)率不適合本文的數(shù)據(jù)集�；跍�(zhǔn)確率的對(duì)比結(jié)果，本文選擇學(xué)習(xí)率的大小為0.002。圖 4.3(c)為批量大小和準(zhǔn)確率之間的變化關(guān)系，其變化規(guī)律和圖 4.3(a)類似，總體趨勢(shì)為批量大小變大，準(zhǔn)確率上升，當(dāng)批量大小超過 128 時(shí)，準(zhǔn)確率下降較快，可能是因?yàn)閷?shí)驗(yàn)設(shè)置的組數(shù)不夠或者其他原因?qū)е碌�。�?shí)驗(yàn)設(shè)置與結(jié)果分析

lution Units(c) 4 Partition Convolution Units圖 4.2 三組不同組模塊的結(jié)構(gòu)圖4.4.2 超參數(shù)的實(shí)驗(yàn)結(jié)果分析在超參數(shù)選擇（Hyper-parameterSelection）實(shí)驗(yàn)中，多疾病標(biāo)記轉(zhuǎn)換采用的問題轉(zhuǎn)換方法是 LP，所有的超參數(shù)實(shí)驗(yàn)選擇多標(biāo)記轉(zhuǎn)化方法是相同的，基本卷積神經(jīng)網(wǎng)絡(luò)框架是 GroupNet 網(wǎng)絡(luò)框架，具體參數(shù)設(shè)置見圖 3.6。訓(xùn)練周期、學(xué)習(xí)率和批量大�。˙atch Size）對(duì)卷積神經(jīng)網(wǎng)絡(luò)框架性能的影響見圖 4.3，評(píng)價(jià)指標(biāo)是準(zhǔn)確率。在圖 4.3(a)中顯示了訓(xùn)練周期和準(zhǔn)確率之間的關(guān)系，在實(shí)驗(yàn)中，本文總共設(shè)置了 10 組不同的訓(xùn)練周期，分別為 1、5、10、15、20、25、30、40、50 和 100。從圖 4.3(a)可知訓(xùn)練周期和準(zhǔn)確率之間存在一定規(guī)實(shí)驗(yàn)設(shè)置與結(jié)果分析

【參考文獻(xiàn)】：
期刊論文
[1]常見慢性病對(duì)患者生活質(zhì)量的影響[J]. 朱銀潮,王永,李輝,紀(jì)威.  浙江預(yù)防醫(yī)學(xué). 2016(01)
[2]我國(guó)慢性病預(yù)防與控制發(fā)展歷程[J]. 劉曉娜,張華,趙根明,徐望紅.  公共衛(wèi)生與預(yù)防醫(yī)學(xué). 2015(02)



本文編號(hào)：2975219