【基于大数据的医疗诊断平台设计探究国内外文献综述5200字】

基于大数据的医疗诊断平台设计研究国内外文献综述目录 1 1 2 4 5台主要需要解决两个关键的问题：一是在欠缺医疗相关的专业知识的情况下如何从异型性能将完全取决于所提取到的特征。相较于传统的依据人为提取特征的分类方法而督学习提取对象的抽象特征，因而被广泛应用于各种分类任务中，且表现出色8。自编码(AutoEncoder,AE)神经网络这一全新的概念是由Hinton等学者在二十一世纪初期率先提出来的91,以受限玻尔兹曼机(RestrictedBoltzmannMachine,RBM)[10]作为网络的基本学习模块，并利用对比散度算法11(ContrastiveDivergence,CD)逐层始数据的抽象特征提取。其在MNIST数据集上的分类准确率高达98.8%,相较于支持向量机(SupportVectorMachine,SVM)[12在MNIST上98.6%的准确率而言，分类效果确有一定的提升。该模型结构即为最原始的AE神经网络，在此之后，一些基于原始AE的改进算法被陆续提出。为了提高AE神经网络的隐藏层映射得到的抽象特征的鲁中，以腐化后的数据来代替原始数据作为网络的输入，然后让AE的输出层能地还原原始数据，以此来增强AE神经网络的抗噪性能。其在数据集MNIST上的分类准确率仅为98.72%,但其在加入噪声干扰的MNIST上的表现却优于深度信念网络 (DeepBeliefNets,DBN)[14与SVM,实验表明采用降噪自编码器进行预训练的DNN则项对网络的目标函数进行约束，提出了一种稀疏的AE网络，实验表明该方法能够显来抑制部分神经元，使AE网络变得稀疏，进而避免出现过拟合，此外，还能1.2基于代价敏感学习的不平衡数据分类方法(1)通用法可以将样本划分到最低风险的类别之中。虽然MetaCost是备受瞩目的一种代价敏感学接使用阈值移动法能取得更优的分类结果，故MetaCost中重新标记样本的行为是多余训练集上训练出一个分类器，如此就可以得到一个代价敏感的分类器。上采样[23] 可以用来减少训练集中多数类(负类)样本。当使用上采样增加样本时，增加的样本仍设一个权值；然后，将新的训练集输入到C4.5决策树[2予各样本与自身代价成正相关的权值，然后再利用C4.5进行训练。没有过拟合和丢失信息的缺陷，但它只适用于能够处(2)嵌入式方法大化AUC(AreaUnderCurve)的代价敏感策略，一种方法保持决策树的而对每个节点重新赋以标记以使AUC值最大；第二种方法直接设计了以最优化A结合，并将其应用于SVM之中，使SVM能够结合具体任务调整超平面分类的倾向性，进而获得代价敏感性。除此之外，在应对多分类问题时，此文献利用采样偏置保障了来进行特征选择，进而改善了代价敏感SVM的分类性能。错分代价加权到损失函数上，训练过程中对损失函数优化近似于误分代价的优化过程，中介绍了使BP(BackPropagation)网络对代价敏感的几种方式：(1)可以利用BP网络对样本的后验概率进行估计，然后基于后验概率借助Bayes风险决策对样本进行分类；(2)通过调整迭代过程中网络的输出层的实值，从而使其具备一定的代价敏感性；(3)可以对样本的权重(即学习率)进行微调，增加高代价的样本的学习率，同时减小低代价的学习率；(4)对网络的目标函数进行改进，从而得到代价敏感的BP网络。“知识工程”为设计原型的专家系统便有了发展的趋势。后来，这位Feigenballm教授20世纪70年代以后，信息技术迎来了突飞猛进的发展，医疗诊断系统也逐渐开始兴起。斯坦福大学率先推出了一款名为MYCIN的血液疾病诊断系统[41,该系统创造性一直被沿用至今。1990以后，新兴的机器学习、模糊理论、数据库、实时操作等技术诊断[42]。最近几年，外国学者在医疗诊断系统的研究上取得了不少成果。LongNC于2015该模型的预测性能远高于单一的推荐系统抑或是模糊聚类，能够对患者进行准确地诊述的模糊值与病理知识库中的详细信息进行匹配，然后根据匹配结果对患者进行诊断，(1)对于特征学习部分，目前所提出的自编码神经网络及其衍生的各种自编码器已经能适用于各个场景。