检索历史 清除

摘要甲状腺疾病是内分泌科中一类常见的疾病，主要表现为甲亢、甲减、甲状腺炎、甲状腺结节等。其中甲状腺结节是对人体健康危害较为严重的一种，并且发病率有逐年上升的趋势。甲状腺结节患者在就诊过程中留下了大量的电子病历数据，要想改善甲状腺结节临床诊断的现状，需要我们高效、准确地挖掘出这些数据中隐含的信息。<br>　　在传统的甲状腺结节临床诊断过程中，医生需要对患者进行超声、血检、细针穿刺等检查，才能初步判断患者的良恶性属性，但即使这样，诊断结果的准确率依然不尽人意。另一方面，传统的机器学习算法在对真实医疗数据集进行模型训练及预测时，均体现出较高的误差。究其原因，在于其没有考虑到医疗数据集的特殊性—稀疏性和不平衡性，因此使结果产生较大的偏差。<br>　　在此背景下，为了减少患者不必要的检查流程，提高甲状腺结节的鉴别准确率与效率，本文提出了一种基于超声检查特征的甲状腺结节鉴别方法，并在已有集成学习的基础模型上做出改进，建立了一个自定义的甲状腺结节鉴别模型，最后设计并实现了一个基于超声检查数据的甲状腺结节辅助鉴别系统。<br>　　本文首先针对甲状腺结节的临床数据集，从患者基本信息、生化指标和临床诊断等方面进行分析，研究指标之间以及临床诊断之间的相互关系，为甲状腺结节的临床治疗过程提供重要依据。<br>　　然后对文本形式的甲状腺超声电子病理记录进行结构化处理，提取出有效的、结构化的特征属性，并对其进行平衡化、数值化等必要的预处理，转化为机器学习分类算法所能识别的形式，方便实验过程中的数据分析与建模。<br>　　最后在已有集成学习的基础模型上，通过在其目标函数中加入自定义项的方式做出适合医疗数据集的改进，构建一个新的鉴别模型，有效解决由于数据集的稀疏性与不平衡性所造成的实验结果的误差，提高预测结果的准确性。同时建立一个基于超声检查数据的甲状腺结节辅助鉴别系统，患者和医生通过输入相应的超声检查特征就能实时预测鉴别结果，实现甲状腺结节的自动化鉴别功能，提高检查的效率。<br>　　为了验证本文所提出鉴别方法的优越性，实验在真实医疗数据集和UCI标准数据集上分别对比了本算法与随机森林、支持向量机、神经网络算法，结果表明该方法具有最高的准确率，分别达到92.43％和94%。