换一批融合文本分类算法的皮肤病辅助诊疗模型
Skin disease diagnosis and treatment model based on text classification algorithm
摘要针对当前皮肤病辅助诊断中生物医学特征建模规模较小且耗费巨大人工成本,而患者疾病特征的时间序列同样无法准确描述等难点,本研究运用融合文本分类算法,融合常用的文本分类模型TextLSTM、TextCNN、RCNN得到皮肤疾病辅助诊疗模型(TLNN模型),通过提取图像传感器医学特征向量化后进行预处理减少焦块数量以及消除偏差较大的特征信息,提高决策数据精度.在ISIC2018和PH2数据集进行对照实验,TLNN模型的准确率为72.36%,高于其余3种文本分类模型.在与医生主观诊断对比实验中,模型诊断准确率为92%,接近于医生94%的平均准确率,而有效诊断效率(1.17 min/例)明显高于医生人工诊断(4.57 min/例),整体效率提升幅度达290%,结果表明对比传统人工诊断,融合文本分类算法模型能以更短时间获得精确的诊断.TLNN模型可以应用于疾病诊断,辅助医生医疗决策,为患者提供优质便捷的智能诊疗服务.
更多相关知识
关键词
皮肤病辅助诊断融合文本分类算法D-S证据理论医学特征skin diseaseauxiliary diagnosisfusion text classification algorithmDempster-Shafer evidence theorymedical characteristics
栏目名称
DOI
10.3969/j.issn.1005-202X.2024.08.020
发布时间
2024-09-13（万方平台首次上网日期，不代表论文的发表时间）
基金项目
教育部卓越工程师教育培养计划项目产学合作协同育人项目（202102242027）
教育部卓越工程师教育培养计划项目产学合作协同育人项目（202102242043）
- 浏览11
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
