面向疾病智能诊断的机器学习方法研究

摘要

研究疾病智能诊断模型，对提高疾病诊断的正确性、实时性，减轻医务人员的劳动强度，具有十分重要的意义。机器学习方法不仅可以对医疗检测出的数值结果进行主动学习，而且能在繁杂模型中快速的做出智能决策。近年来，机器学习方法被广泛应用于各种医疗诊断系统。然而，并非单一的机器学习方法在对未知数据进行预测时就能达到较高的泛化能力，在机器学习算法应用中，还需要综合考虑多种技术的融合和优化。
　　论文在研究机器学习和疾病诊断方法的基础上，重点研究了以支持向量机(SVM)为基础的疾病诊断模型及其优化方法，主要研究内容和工作成果如下：
　　1、对传统的机器学习诊断系统进行了深入分析，考虑到疾病数据具有不平衡、冗余和高维特性，研究了数据预处理，降维及不平衡数据处理方法，以典型分类方法为基础，分别建立了基于决策树与SVM的乳腺癌诊断模型，试验结果表明，SVM诊断方法表现了更好的预测性能。
　　2、针对SVM的性能易受其超参数(如惩罚因子C和RBF核的核宽γ)影响，将网格参数寻优算法引入到SVM的诊断模型。考虑到网格参数寻优的低效性和敏感性，利用智能计算技术，分别设计了基于遗传算法(GA)和粒子群优化算法(PSO)的SVM诊断模型。实验结果表明该类模型可以有效地筛选出最重要的致病特征，准确地对乳腺癌病情做出诊断。
　　3、集成学习因其能显著提高一个学习系统的泛化能力而得到了机器学习界的广泛关注。利用Adaboost方法改变样本分布，获得一组具有差异性的基分类器，从而建立基于Adaboost的SVM集成诊断模型，并设计了实验验证。另外，在分析集成学习及选择性集成方法缺陷的基础上，尝试从准确性与多样性二者均衡的角度，对集成系统质量评价问题展开研究，提出了一种新的评价策略FDA（F-Measure based on Diversity and Accuracy，FDA），该策略源于信息检索F值均衡思想，为有效提高集成系统泛化能力提供了参考。
　　本文所提出的三种智能疾病诊断模型，都分别在UCI数据资源库中的疾病数据集上得到了验证。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究概况

1.3 论文的主要工作及组织结构

第二章 基于机器学习的疾病诊断方法

2.1 机器学习诊断流程

2.2 数据的预处理

2.3 分类器性能评价指标

2.4 典型的机器学习方法

2.5 典型机器学习疾病诊断实验

2.6 本章小结

第三章 基于SVM智能诊断模型及其改进

3.1 SVM分类器算法

3.2 SVM智能诊断系统的改进模型

3.3改进的SVM智能疾病诊断实验

3.4 本章小结

第四章 基于集成学习的智能诊断模型

4.1 集成学习系统

4.2 基于Adaboost_SVM智能诊断模型

4.3 实验验证

4.4集成选择及改进策略

4.5本章小结

第五章 总结与展望

5.1 主要工作回顾

5.2 未来的研究目标和方向

参考文献

个人简历

致谢