检索历史 清除

摘要近几年来，多分类器融合模型(Multi-Classifier Fusion Model，MCFM)在临床诊疗决策任务中应用广泛，例如疾病的诊断和预后预测，有效的MCFM可以在很大程度上挖掘影像数据中的信息以及临床治疗参数与疾病的内在联系，为临床诊疗决策提供有价值的信息，更好地帮助临床医师为病人进行准确的诊断和制定个体化治疗方案。MCFM通过融合多个基分类器获得比单一分类器更好的分类性能。在MCFM中，要求基分类器的预测比随机预测好和基分类器成员间具有多样性。然而，现实中大多数的MCFM都是基于同一分布的数据构建的，这使得基分类器间有较高的相关性，很难同时保证准确性和多样性。本文对MCFM及其在临床诊疗决策中的应用展开研究，提出两种创建MCFM的算法，主要内容有:<br>　　第一，基于随机投影的同质集成、异质集成混合的多分类器分层融合模型。同质集成由一系列基于同一数学理论的基分类器构成，侧重点是提高基分类器间的多样性。异质集成由不同分类器算法集成，如何进行最后的决策是此类集成系统的主要研究问题。提出了一个基于随机投影的分层融合模型，对原始数据集进行随机投影增加数据的多样性，输入到一个两层的多分类器融合框架中，综合两种集成系统的特性，提高系统的多样性和泛化能力。利用15套UCI数据集和3个临床数据集对该框架进行了综合验证，实验结果表明，该框架优于基准比较方法，验证了它在辅助临床诊疗决策中的现实临床意义。<br>　　第二，基于最优化随机投影的多分类器融合模型。创建一个具有较好泛化性能的多分类器系统可以看做是一个优化问题，例如特征、分类器参数、分类器的选择等问题，遗传算法作为经典的优化方法，在MCFM的研究中有广泛的应用。本研究在基于随机投影的MCFM的研究基础上，在生成随机投影矩阵的过程引入遗传算法，实现了应用遗传算法对随机投影矩阵进行优化，使得构建的集成系统更好地对给定分类任务进行预测，克服机器学习算法依赖于学习任务的局限性。在本文中，在10套UCI数据上对该算法的有效性进行了初步的验证。<br>　　在本文中，创新地提出了基于随机投影的多分类器融合模型，在第三章中，从多样性和融合框架的角度进行探讨，提出了基于随机投影的分层融合框架，在15套UCI数据库以及3套临床应用上验证了该框架的可行性和有效性。在第四章中，从优化的角度提出了基于最优化随机投影的多分类器系统，并在10套UCI数据上进行了初步的验证，实验结果显示了该算法具有有效性。