隨著電子病歷系統(tǒng)在全球大范圍的應(yīng)用和深度學(xué)習(xí)浪潮的推動,如何利用深度學(xué)習(xí)挖掘患者電子病歷數(shù)據(jù),輔助醫(yī)務(wù)人員治療,提高臨床診斷的準(zhǔn)確率,降低醫(yī)療成本已經(jīng)成為目前研究的熱點。本文利用深度學(xué)習(xí)相關(guān)方法,在患者病程治療和ICU干預(yù)等任務(wù)做了相關(guān)研究與嘗試。本文的主要工作總結(jié)如下:（1）本文提出基于注意力機制的多任務(wù)序列特征學(xué)習(xí)（AGSFLM）模型,AGSFLM在多任務(wù)學(xué)習(xí)基礎(chǔ)上引入注意力機制,以此來學(xué)習(xí)不同任務(wù)的公共特征和私有特征。本文在MIMIC-Ⅲ數(shù)據(jù)集上對基于注意力機制的多任務(wù)序列特征學(xué)習(xí)模型進(jìn)行了檢驗,實驗結(jié)果表明該方法可以顯著提高預(yù)測準(zhǔn)確率,與目前最新的模型比較也有優(yōu)異的效果。（2）針對普通的回歸方法無法對患者住院時間較好的估計,本文考慮到患者住院時間可以看做有序的標(biāo)簽預(yù)測問題,提出了利用有序回歸（Ordinal Regression）對患者住院時間進(jìn)行建模的方法。本文在深度學(xué)習(xí)基礎(chǔ)上考慮患者住院時間的順序關(guān)系,將有序回歸方法與深度學(xué)習(xí)結(jié)合起來,實驗結(jié)果表明,有序回歸和深度學(xué)習(xí)結(jié)合的方法降低了患者住院時間預(yù)測的誤差,提高了模型的準(zhǔn)確率。（3）針對ICU病房中醫(yī)務(wù)人員經(jīng)常需要提前判斷患... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與研究意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 深度學(xué)習(xí)研究現(xiàn)狀
        1.2.2 電子病歷研究現(xiàn)狀
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本文的結(jié)構(gòu)安排
第二章 相關(guān)任務(wù)背景知識及技術(shù)介紹
    2.1 MIMIC-Ⅲ數(shù)據(jù)集
    2.2 任務(wù)背景
        2.2.1 病情發(fā)展相關(guān)任務(wù)
        2.2.2 干預(yù)相關(guān)任務(wù)
    2.3 多任務(wù)學(xué)習(xí)
    2.4 評價指標(biāo)
    2.5 PyTorch平臺
    2.6 本章小結(jié)
第三章 基于AGSFLM模型的病程任務(wù)預(yù)測
    3.1 引言
    3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    3.3 注意力機制
    3.4 基于注意力機制的單病程任務(wù)預(yù)測
        3.4.1 基于注意力機制的單個病程任務(wù)模型設(shè)計
        3.4.2 基于注意力機制的單個病程任務(wù)模型實驗
            3.4.2.1 實驗環(huán)境
            3.4.2.2 模型評價標(biāo)準(zhǔn)
            3.4.2.3 實驗結(jié)果分析
    3.5 基于AGSFLM模型的病程任務(wù)預(yù)測
        3.5.1 基于AGSFLM模型的病程任務(wù)預(yù)測
        3.5.2 基于AGSFLM模型的病程任務(wù)實驗
    3.6 本章小結(jié)
第四章 基于TSDMEML模型的ICU干預(yù)任務(wù)預(yù)測
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)
    4.3 基于卷積神經(jīng)網(wǎng)絡(luò)的ICU干預(yù)任務(wù)預(yù)測
        4.3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的ICU干預(yù)任務(wù)的模型設(shè)計
        4.3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的ICU干預(yù)任務(wù)的實驗
    4.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的ICU干預(yù)任務(wù)預(yù)測
        4.4.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的單個干預(yù)任務(wù)預(yù)測
        4.4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的單個干預(yù)任務(wù)實驗
        4.4.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力機制的多個干預(yù)任務(wù)預(yù)測
        4.4.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力機制的多個干預(yù)任務(wù)實驗
    4.5 基于TSDMEML的ICU干預(yù)任務(wù)預(yù)測
        4.5.1 混合專家模型
        4.5.2 基于TSDMEML的ICU干預(yù)任務(wù)預(yù)測模型設(shè)計
            4.5.2.1 全局特征層
            4.5.2.2 多任務(wù)混合專家模型
        4.5.3 基于TSDMEML的ICU干預(yù)任務(wù)預(yù)測實驗
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于電子病歷利用支持向量機構(gòu)建疾病預(yù)測模型——以重度急性胰腺炎早期預(yù)警為例[J]. 張曄,張晗,尹玢璨,趙玉虹.  現(xiàn)代圖書情報技術(shù). 2016(02)
[2]基于XML技術(shù)的電子病歷管理平臺研究與實現(xiàn)[J]. 林曉東,辜曉燕,薛飛,黎亮.  醫(yī)學(xué)信息學(xué)雜志. 2010(02)



本文編號：3340884