隨著信息技術的興起及其在醫(yī)療行業(yè)的廣泛應用,醫(yī)療數(shù)據(jù)的數(shù)據(jù)量呈指數(shù)級增長,且存在異構高維等特點,這使得通過傳統(tǒng)醫(yī)療數(shù)據(jù)可視化方法獲取有效診療信息以探尋特定疾病的潛在規(guī)律,往往存在效率低下等問題,甚至難以進行。將機器學習方法融入醫(yī)療數(shù)據(jù)的分析處理,不僅能降低醫(yī)療數(shù)據(jù)的高維問題,也便于從中提取用于分析的主特征信息,可有效降低計算量,縮短時間復雜度,提高醫(yī)療數(shù)據(jù)分析的準確性。為此,本文將機器學習方法應用于醫(yī)療數(shù)據(jù)的可視化分析,提出了T-SNE-DBSCAN算法,用于醫(yī)療數(shù)據(jù)的相似度分析,構建了相應的可視化分析平臺。針對醫(yī)療數(shù)據(jù)的高維問題,論文首先將機器學習方法用于醫(yī)療數(shù)據(jù)的特征值重要性測度分析。以MIMIC-III醫(yī)療數(shù)據(jù)庫中的肺部腫瘤檢測數(shù)據(jù)為基礎,通過預處理,應用KNN算法、支持向量機算法和隨機森林算法等典型機器學習方法,對該數(shù)據(jù)進行分類訓練,從敏感性、特異性和檢測準確性等方面構建了分類性能評價方法,從而得到最優(yōu)算法用于計算特征值的重要程度值,作為實現(xiàn)數(shù)據(jù)降維處理的數(shù)據(jù)預處理方法。為醫(yī)療數(shù)據(jù)提供相似度分析工具,在特征值重要性計算處理基礎之上,基于降維思想,論文隨后給出了T-SNE-DBS... 

【文章來源】：山東理工大學山東省

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

缺失數(shù)據(jù)分析盒須圖

文 第二章 基于機器學習的4，小于 0.14 的測量數(shù)被選擇作為 mtry 值，最后得出模型誤差與決策樹的數(shù)量關系，如圖 2.4 所示，曲線逐漸呈現(xiàn)平緩狀態(tài)，由此可得到 ntree 值為 107 分析得到結果：對于類別 A 沒有患肺部惡性腫瘤的有肺部惡性腫瘤的正確分類率為 99.11%。

患有肺部惡性腫瘤的正確分類率為 99.11%。模型誤差決策樹數(shù)量圖 2.4 模型誤差和決策樹數(shù)量關系圖Fig. 2.4 Model error and number of decision trees chart

【參考文獻】：
期刊論文
[1]機器學習綜述[J]. 石弘一.  通訊世界. 2018(10)
[2]全麻下可視化椎間孔鏡技術治療腰椎間盤突出癥[J]. 吳星火,楊操,郜勇,張宇坤,華文斌,王琨,宋雨,涂計,邵增務,楊述華.  中國矯形外科雜志. 2018(19)
[3]牙髓干細胞基礎研究與臨床應用:國內外文獻計量與可視化分析[J]. 鄢雪川,宿玉成.  中國組織工程研究. 2018(29)
[4]腫瘤參數(shù)屬性偏序結構可視化實現(xiàn)乳腺癌診斷[J]. 梁懷新,宋佳霖,鄭存芳,洪文學.  中國生物醫(yī)學工程學報. 2018(04)
[5]基于主成分-線性回歸分析的煤炭熱值預測模型研究[J]. 李祥,杜政燁,劉翠茹,茌方,袁翠翠.  煤炭工程. 2018(07)
[6]腦纖維可視化綜述[J]. 劉義鵬,徐超清,蔣哲臣,蔣莉,馮遠靜,梁榮華.  計算機輔助設計與圖形學學報. 2018(01)
[7]基于多元線性回歸的螺紋鋼價格分析及預測模型[J]. 陳海鵬,盧旭旺,申鉉京,楊英卓.  計算機科學. 2017(S2)
[8]Kmeans算法的Spark實現(xiàn)及優(yōu)化[J]. 張友海,李鋒剛.  西安文理學院學報(自然科學版). 2017(03)
[9]基于大數(shù)據(jù)研究的醫(yī)學數(shù)據(jù)可視化[J]. 許茜,黃子杰,蔡晶,劉志臻,俞向梅,陳桂芬,陳林,葛亮,張钘銘.  中國衛(wèi)生統(tǒng)計. 2017(02)
[10]我國老年人長期照護研究熱點與趨勢——基于Citespace的可視化分析[J]. 李文杰.  武漢理工大學學報(社會科學版). 2017(02)

碩士論文
[1]城市火災風險評估指標體系研究[D]. 黨杰.西南交通大學 2018
[2]可動態(tài)擴展的醫(yī)療數(shù)據(jù)集成可視化系統(tǒng)設計與開發(fā)[D]. 丁同勤.浙江大學 2016
[3]基于數(shù)據(jù)挖掘的圖書推薦系統(tǒng)設計與實現(xiàn)[D]. 趙翀.東北石油大學 2014



本文編號：2993997