基于组合分类器的智能医学诊断研究-论文-万方医学网

基于组合分类器的智能医学诊断研究

导出原文传递学术成果认领

收藏纠错

摘要在医学领域中，利用模式识别技术来协助临床医生做一些疾病诊断的预测是相当有意义的，一些恶性肿瘤或突发重疾，长期以来死亡率居高不下，究其原因主要是早期诊断比较困难。故借助模式识别技术对复杂多变的疾病进行早期分类诊断是非常有意义的研究。当将模式识别技术应用到具体问题中时，学者们发现不同分类器对同一问题的分类效果可能差别比较大，对属性种类复杂的数据集仅用单一的分类器很难训练得到好的效果。因此，学者们提出了使用组合分类器的构想。临床医学资料往往包含若干种不同类型的特征属性，如超声波图像、症状描述、检验结果等，由于这些特征之间的属性表达不同，将它们集中到单一个分类器里进行训练学习的效果比较差，如果利用不同的分类器对这些特征分别进行训练，则可以得到一个包含较齐全特征信息的组合分类器，获得更准确的诊断效果。本论文主要探讨将组合分类器技术应用于临床医学资料的诊断分类的可行性和优化，对三个不同的临床数据集进行了实证研究，包括：SARS临床数据库的资料、脑血管疾病的资料以及UCI上乳腺癌的资料。文章在对当前组合分类技术作了详尽的综合介绍的基础上，探讨了一些热门的组合技术在医学智能诊断中的可行性，根据医学资料的特征，重点探讨的组合方案包括：①CWCDC组合方案；②决策模板类算法。本文不仅探讨了热门的组合分类技术在上述三个医学问题中应用的可行性，还提出了自己的组合方案：改进的加权决策模板法——加权DT法和解决“漏诊”问题的EPMD-Boosting算法。经过实验验证，本文提出的改进方案具有很好的诊断效果。