發(fā)布時間：2020-09-18 14:05

　　 隨著計算機網(wǎng)絡(luò)科技的快速發(fā)展,從上世紀(jì)九十年代起,在醫(yī)療,健康和衛(wèi)生領(lǐng)域中,存放著大量關(guān)于病人的病史、診斷、檢驗和治療的臨床信息。從海量的醫(yī)療數(shù)據(jù)中,數(shù)據(jù)挖掘技術(shù)可以抽取出疾病的趨勢,并發(fā)掘出有價值的診斷規(guī)則。然后,利用機器學(xué)習(xí)的方法建立預(yù)測模型,再對這個模型進(jìn)行測試訓(xùn)練,得到合適的算法模型,該算法模型能夠快速準(zhǔn)確地診斷、預(yù)測、監(jiān)控,并幫助醫(yī)生確定最佳診療方案。對于胰腺癌的診斷,我們主要經(jīng)過五個階段的檢查:第一階段:進(jìn)行病史,危險因素和體格檢查;第二階段:血清腫瘤標(biāo)志物的檢查;第三階段:在腫瘤標(biāo)志物檢查結(jié)果的基礎(chǔ)上,決定是否進(jìn)行影像學(xué)檢查;第四階段:進(jìn)行病理學(xué)檢查;第五階段:臨床分期。而病理學(xué)檢查是唯一確診胰腺癌的“黃金標(biāo)準(zhǔn)”。本文在了解計算機技術(shù)應(yīng)用于胰腺癌診斷的研究現(xiàn)狀后發(fā)現(xiàn),現(xiàn)有的通過計算機手段或者機器學(xué)習(xí)手段來輔助胰腺癌診斷的模型,大多是在第三階段影像學(xué)檢查結(jié)果的基礎(chǔ)上建立的,而將機器學(xué)習(xí)算法應(yīng)用于以臨床癥狀、危險因素為特征的第一階段和以腫瘤標(biāo)志物檢查結(jié)果為特征的第二階段的模型少之又少。現(xiàn)在,針對第二階段腫瘤標(biāo)志物的研究,大多采用酶聯(lián)免疫吸附法(ELISA)或者電化學(xué)發(fā)光法等醫(yī)學(xué)手段。因此本文提出了將機器學(xué)習(xí)算法應(yīng)用于胰腺癌診斷的第一和第二階段,主要利用機器學(xué)習(xí)中傳統(tǒng)的分類算法,對長春市某醫(yī)院2017年度胰腺癌患者的臨床醫(yī)療數(shù)據(jù)和普外科非胰腺癌患者數(shù)據(jù)進(jìn)行醫(yī)學(xué)分析。首先對數(shù)據(jù)進(jìn)行預(yù)處理和特征選擇,然后對數(shù)據(jù)進(jìn)行訓(xùn)練和測試,建立基于機器學(xué)習(xí)算法的胰腺癌早期輔助診斷模型,并對胰腺癌診斷模型的預(yù)診性能進(jìn)行分析,最后通過多數(shù)表決策略的模型融合方法對單分類器做了模型融合。通過以上過程建立的基于機器學(xué)習(xí)算法的胰腺癌診斷模型的分類結(jié)果,相較于采用酶聯(lián)免疫吸附法和電化學(xué)發(fā)光法的檢測結(jié)果,準(zhǔn)確率和召回率上均有顯著提升。本文還利用度量學(xué)習(xí)算法:大邊界最近鄰方法LMNN和鄰近元素分析方法NCA,訓(xùn)練支持向量機的核函數(shù),在此改進(jìn)算法的基礎(chǔ)上重新訓(xùn)練了胰腺癌診斷模型,提高了數(shù)據(jù)分類精確率,尤其是通過NCA方法改進(jìn)的支持向量機模型,在精確率上達(dá)到了92%,召回率上達(dá)到了90%,平均性能上達(dá)到了90.1%,與傳統(tǒng)的支持向量機建立的診斷模型相比,分別提高了10%,6%和9.9%。本文的研究是基于機器學(xué)習(xí)算法,通過胰腺癌的典型癥狀和高危因素結(jié)合血清腫瘤標(biāo)志物檢查結(jié)果,建立了胰腺癌診斷的預(yù)測模型,達(dá)到了早期胰腺癌預(yù)診的目的;提高了胰腺惡性腫瘤高危人群的自我識別意識;輔助了醫(yī)生通過臨床非特異性癥狀表現(xiàn)預(yù)診胰腺癌,降低了由于相似癥狀而帶來的誤診率。
【學(xué)位單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R735.9;TP181
【部分圖文】：

圖 2.1 異常數(shù)據(jù)出現(xiàn)原因及處理方法（4）標(biāo)準(zhǔn)化：按一定規(guī)則縮放數(shù)據(jù)，使數(shù)據(jù)處于一個較小的區(qū)間內(nèi)。其中最典型的就是 0-1 標(biāo)準(zhǔn)化和 Z 標(biāo)準(zhǔn)化。同時對于不同單位量綱的數(shù)據(jù)，我們要將它轉(zhuǎn)化為無量綱的純數(shù)值型數(shù)據(jù)。數(shù)據(jù)標(biāo)準(zhǔn)化方法見圖 2.2。本文中，我們使用了 min-max 歸一化方法，將特征 CA19-9、CEA、AFP的特征值縮放到 0 與 1 之間，這樣在模型訓(xùn)練時，數(shù)據(jù)是具有可比性而且是更穩(wěn)定的。對性別，腹痛，惡心，糖尿病等特征，我們通過類別數(shù)據(jù)標(biāo)簽化處理，當(dāng)特征值為“是”時，我們將其標(biāo)簽化為“1”；當(dāng)特征值為“否”時，我們將其標(biāo)簽化為“0”。（5）離散化：在一些分類算法中，對于某些特征，它是連續(xù)型的，這時我們就要將連續(xù)的屬性進(jìn)行離散化處理，方法有：等寬法、等頻法和基于聚類分析的方法。數(shù)據(jù)離散化方法見圖 2.3。

數(shù)據(jù)標(biāo)準(zhǔn)化方法

圖 2.2 數(shù)據(jù)標(biāo)準(zhǔn)化方法準(zhǔn)化Z-score 標(biāo)準(zhǔn)化向量歸一化法線性比例變換法Decimal scaling 小數(shù)定標(biāo)標(biāo)準(zhǔn)化平均均值指數(shù)轉(zhuǎn)化法新數(shù)據(jù)=（原始數(shù)據(jù)-原始數(shù)據(jù)值）/原始數(shù)據(jù)標(biāo)準(zhǔn)差X”=x/（10*j）其中，j 是滿條件的最小整數(shù)等距離分組

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 侯麗娜;劉東慧;劉美曉;陳志宏;;2型糖尿病與胰腺癌的關(guān)系[J];承德醫(yī)學(xué)院學(xué)報;2014年06期

2 陰蒙蒙;馬臣;劉曙正;全培良;張萌;陳萬青;鄭榮壽;張思維;孫喜斌;;吸煙與胰腺癌發(fā)生風(fēng)險的病例對照研究[J];中國腫瘤;2014年03期

3 楊柯君;;全球癌癥狀況最新數(shù)據(jù)更新[J];上海醫(yī)藥;2014年02期

4 舒忠琴;沈偉生;于波;鄧立春;奚蕾;張瑤;顧小偉;夏林云;;薏苡仁甘油三酯對三維適形放療同步吉西他濱化療治療局部晚期胰腺癌患者耐受性的影響[J];現(xiàn)代腫瘤醫(yī)學(xué);2013年06期

5 劉建蕓;趙宇航;張兆翔;王蘊紅;袁雪梅;胡磊;董振江;;Spam Short Messages Detection via Mining Social Networks[J];Journal of Computer Science & Technology;2012年03期

6 倪泉興;虞先o

本文編號：2821749