[發明專利]二階段混合模型的智能輔助醫療決策支持方法

有效

• 申請號: 201410014993.8
• 申請日: 2014-01-14
• 公開（公告）號: CN103714261B
• 公開（公告）日: 2017-02-15
• 發明（設計）人: 歐陽繼紅;馬超;王旭;李錫銘;周曉堂
• 申請（專利權）人: 吉林大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 長春市四環專利事務所(普通合伙)22103
• 代理人: 郭耀輝

技術領域

本發明屬于智能決策領域，具體涉及一種二階段混合模型的智能輔助醫療決策支持方法。

背景技術

智能決策是數據挖掘、模式識別和機器學習等領域中最活躍的研究內容之一，它具有憑借其對數據自動學習，從中提取其中隱含的規則或模型，并作出智能決策的強大能力，在現實中有著非常廣泛的應用（如醫療診斷和金融風險預測等）。

醫療診斷是智能決策技術在醫療領域的應用，通過構建診斷系統輔助醫生更好地對各種疾病進行診斷。傳統的醫療診斷過程是醫生根據臨床經驗對新來的病人進行推理診斷的決策過程，在很大程度上主要依賴于個人的實際經驗，需要經過長時間的經驗積累才能達到足夠豐富的決策水平；同時決策過程也在很大程度上受主觀意識和外界因素干擾等影響，容易做出偏差較大的分析，影響決策的準確度。原始的醫療診斷方法已經不能滿足現代社會發展的需求，因此發揮計算機推理和學習能力，開發出高效高精度的智能輔助醫療診斷模型或系統是一個重要的發展方向。這些智能決策方法可以盡可能減少因經驗不足造成的決策錯誤，為復雜的醫療決策支持提供準確、客觀的定量分析方法，在為解決這些復雜決策問題提供客觀和科學的決策等方面具有重要意義。

泛化能力對決策模型在實際應用中發揮效果起到至關重要的作用，然而直接應用傳統的學習方法往往難以達到理想的決策效果，如何構造出強泛化能力的學習模型為決策者提供合理科學的決策支持是目前亟待解決的難題。

智能醫療診斷的基本原理是利用已知收集到的數據捕獲其中未知的、潛在的概率分布等重要特征，數據可以看作是揭示觀察到的變量之間關系的樣本，通過對數據自動進行學習，識別其中的復雜模式并作出智能決策。智能決策模型能夠根據給定的實例進行泛化以便對新的病例進行分析判斷。

目前，已提出了一些決策支持方法：

1)基于神經網絡(ANN)的智能醫療診斷方法。ANN具有很強的自組織性、魯棒性和容錯性，以及非線性和并行處理能力，在醫療診斷中得到廣泛應用，2010年，Er等提出利用多種ANN模型診斷胸部疾病，同年Ayer等利用多種ANN模型對乳腺癌診斷進行研究；

2)基于演化計算的智能醫療診斷方法。2008年，zhang提出改進的遺傳規劃(GP)方法，對兩種疾病診斷問題進行研究，和其他機器學習方法包括KNN，ANN等相比，獲得更高的分類精度，2011年，Lambrou提出基于GA的保角預測方法進行疾病診斷，實驗表明該模型不僅能達到已有模型的分類準確率，還能給分類器提供可靠的置信度，并從數據中提取出易理解的可信的規則；

3)基于支持向量機(SVM)的智能醫療診斷方法。2010年，Peng提出一種結合過濾算法和打包算法的混合特征選擇，并結合SVM分類器在多種疾病進行了診斷。

但每種學習方法都有各自的優缺點，如ANN模型的權重值需要多次計算，訓練時間長；GA中涉及許多參數需要人為調節；SVM模型的參數對結果影響很大，需要慎重選擇等，并且診斷模型大多依賴于現有學習模型，其泛化能力還有待進一步改善，對數據的分析不夠充分，可能存在異常值嚴重影響診斷的準確率，另外，隨著學習理論和方法的不斷完善，各種新方法不斷提出，整個醫療診斷領域需要強泛化能力的新方法。

發明內容

針對醫療診斷過度依賴經驗積累或經驗不足造成的決策錯誤，需要構造出強泛化能力的診斷模型等問題，本發明的目的是提供一種二階段混合模型的智能輔助醫療決策支持方法。該方法針對醫療數據，通過預處理研究潛在的分布特征，利用減聚類算法進行加權化，再結合新穎的極限學習機分類方法進行分類預測并進行評估，可以獲得更準確的預測結果。

本發明提供了一種二階段混合模型的智能輔助醫療決策支持方法，所述方法包括如下步驟：

S1，基于減聚類方法，對真實的醫療樣本數據信息進行加權預處理，將非線性不可分的特征空間轉化為可分的線性數據特征空間；

S2，基于高效的極限學習機模型，利用預處理得到的加權特征數據，通過數據自學習構建醫療決策支持模型；

S3，基于S2構建的模型，采用開源的數據，對研究對象進行分類預測，從而實現為目標用戶提供可靠高效的輔助預測支持。

附圖說明

圖1給出了二階段混合模型的智能輔助醫療決策支持方法的流程示意圖。

圖2是減聚類算法對數據樣本進行加權處理方法的流程示意圖。

圖3是真實數據帕金森疾病(Parkinsons)原始數據集在三維空間上的分布示意圖。

圖4是真實數據帕金森疾病(Parkinsons)數據集加權預處理之后在三維空間上的分布示意圖。