关键词：
疾病诊断性能
神经网络
插补模型
计算机辅助诊断模型
多模态医疗数据
摘要：
医疗大数据作为“国家大数据战略”的重要组成部分,是我国全面推进建设“数据强国”的重要一环,也是关系到全民健康的重要资源。随着以神经网络为代表的人工智能技术的不断发展,催生了医疗领域新的发展动力和发展活力,医疗大数据也呈现出迅猛的发展势头。如何挖掘医疗数据中的价值,拓展医疗数据分析的理论和应用,使数据信息转化成服务于国家建设、社会发展、全民健康的战略资源,是医疗大数据研究的重要挑战。本文围绕着基于神经网络的医疗数据处理关键技术展开研究,以提升疾病诊断性能为目的,提出基于神经网络的解决模型。本文的主要内容和主要贡献如下:(1)提出一种基于特征关联规则的数据缺失插补模型针对电子病历数据中的数据缺失问题,本文提出了一种基于特征关联规则的插补模型。首先,模型进行特征贡献度计算,用以评价非缺失数据特征对于缺失数据特征的影响程度。然后,根据特征贡献度进行特征选择。最后,构建基于关联规则学习的BP神经网络插补模型,设计通过对特征关联规则的学习和表达,从而对缺失数据进行预测,提高数据的完整度。实验结果验证了模型的有效性。(2)提出一种自适应局部特征增强的CT辅助诊断模型针对CT图像数据特征表达不足而导致计算机辅助诊断效果不佳的问题,本文设计了一种基于自适应局部图像增强结合目标检测的计算机辅助诊断模型。首先,模型对CT图像进行像素点遍历,并计算像素灰度级的概率密度函数PDF。然后,根据像素点概率密度的分布计算得到的像素点灰度级的类别数,根据类别数将像素点进行分类,并对每一类分别进行基于直方图均衡化的图像增强。最后,建立基于YOLOv5的目标检测模型,完成对病灶区域的检测识别。模型在不同的脑卒中CT图像数据集上进行了实验验证,实验结果验证了提出模型的准确性,同时也验证了模型良好的泛化能力。(3)提出一种面向多模态医疗数据的疾病分类模型针对多模态医疗数据的数据多源异构、维度高而导致的融合及诊断困难问题,本文设计了一种基于图数据结构构建和图学习的多模态医疗数据融合与疾病分类模型,将图数据结构构建引入到多模态医疗数据的融合中。首先,本研究设计了一种基于图数据结构构建的多模态医疗数据融合方法,先对多模态疾病数据进行特征提取和预处理,包括量化、归一化等,并基于相似度的图数据结构构建,实现对多模态医疗数据的融合。然后,建立基于图神经网络的图数据学习模型,对生成的图数据结构进行节点信息采样和聚合,生成新的点嵌入。最后,模型完成对节点的分类任务,实现患者疾病的分类。模型在两个心脏类疾病数据集上进行实验,实验结果验证了模型的有效性。综上所述,本文围绕着医疗数据处理关键技术,从提高医疗数据诊断性能方面展开研究,提出了基于神经网络的医疗数据分析和建模方法,实现对医疗大数据领域理论和技术的支持。
欢迎来到三峡大学图书馆！
