CN113948206B - 一种基于多层级框架的疾病分期模型融合方法 - Google Patents
一种基于多层级框架的疾病分期模型融合方法 Download PDFInfo
- Publication number
- CN113948206B CN113948206B CN202111246964.0A CN202111246964A CN113948206B CN 113948206 B CN113948206 B CN 113948206B CN 202111246964 A CN202111246964 A CN 202111246964A CN 113948206 B CN113948206 B CN 113948206B
- Authority
- CN
- China
- Prior art keywords
- model
- models
- layer
- sample set
- disease stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 55
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 4
- 206010035653 pneumoconiosis Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多层级框架的疾病分期模型融合方法,将受试者信息分为训练样本集和测试样本集,使用训练集中部分数据训练模型,训练集中余下数据做模型内部验证;基于输入的受试者信息,利用多种单一疾病分期模型得出训练集中疾病分期的预测信息,筛选性能优异且原理不同的模型作为第一层基模型,并使用第一层基模型对测试样本集进行预测;将第一层基模型得出的对训练样本集内部验证部分数据和测试样本集的预测结果作为数据特征输入第二层模型,结合第一层基模型的动态权重计算得到融合模型;本发明能够自动地针对样本数据建立疾病分期模型并进行模型融合,并能根据所输入的评价指标阈值进行动态优化,可提高分期模型的精度并且减少漏报、误报率。
Description
技术领域
本发明涉及一种疾病分期模型融合算法,具体是一种基于多层级框架的疾病分期模型融合方法,属于多分类算法技术领域,尤其适用于对疾病信息的识别和分期预测。
背景技术
随着数字科学在医疗技术上应用的推进,越来越多的病患和临床信息能以电子病历为载体存储。借助于这些病患信息开展疾病识别、分期甚至是预测的研究也成为近十年来的一大研究热点。
由于单一数据特征提取层面或分类算法层面的改进对疾病识别帮助有限,因此模型集成或融合的方式有望成为疾病识别与分期模型构建与优化的主流思想。近年来堆栈集成和多层级建模集成思想在分类算法优化中表现良好,但在疾病识别与分期领域还没有取得较好的应用。部分学者针对疾病分期模型的融合方法进行了探究,但由于检测精度、系统稳定性、系统普适性等多种影响因素,目前还没有一个成熟、精确度高且稳定的疾病分期模型融合方法被公认肯定。
发明内容
本发明的目的是提供一种基于多层级框架的疾病分期模型融合方法,该方法能够客观、自动地针对样本数据建立疾病分期模型并进行模型融合,并能根据所输入的评价指标阈值进行动态优化,可提高分期模型的精度并且减少漏报、误报率。
为了实现上述目的,本发明提供一种基于多层级框架的疾病分期模型融合方法,包括以下步骤:
步骤1,将受试者信息输入并划分为训练样本集和测试样本集,使用训练样本集中部分数据训练模型,训练样本集中余下数据用于做模型内部验证,使用多种单一疾病分期模型并从中筛选出第一层基模型,第一层基模型的预测结果输入第二层模型做模型融合;
步骤2,使用第一层基模型对训练样本集内部验证数据和测试样本集进行预测,其结果结合第一层基模型的动态权重作为第二层数据特征输入至第二层模型,以得到疾病分期模型融合的结果;
步骤3,计算动态权重,根据第一层基模型在训练样本集的预测结果的评价指标线性地分配初权重,以第二层模型对测试样本集中样本识别的准确率和假阴性率为双目标函数,使用粒子群算法和迭代的方法多次进行权重的调参和优化,并且根据所输入的目标值动态计算最佳权重组合,最终得到疾病分期模型融合的参数。
本发明的步骤1中筛选第一层基模型具体过程如下:
(1)使用多种单一疾病分期模型对训练样本集中的信息进行分类,所述多种单一疾病分期模型包含支持向量机模型、K近邻模型、分类树模型、朴素贝叶斯模型以及3类集成模型,3类集成模型为提升算法模型、引导聚焦算法模型、随机森林算法模型,经筛选后基模型1、基模型2、……、基模型n中的集成模型的数量占比应低于50%,高于50%则依次剔除过拟合程度高的模型直至集成模型的数量占比低于50%;
(2)根据假阴性率及准确率初步筛选出性能优异的模型,默认筛选出假阴性率低于10%且准确率高于80%的所有模型;
(3)针对根据假阴性率及准确率初步筛选出的模型,计算其两两之间预测结果序列的皮尔逊相关系数,将皮尔逊相关系数在90%以上的两个模型优先根据假阴性率、其次根据准确率排序,剔除效率低的一方,最终得到多个性能优异且原理不同的模型作为第一层基模型。
本发明所述步骤2中第二层模型建立在实际计算量较大和模型算力允许的情况把第二层模型的预测结果结合动态权重作为第三层数据特征输入至第三层模型做模型融合,因此多层框架的实际作用层数应多于两层。
本发明步骤3中,以训练样本集内部验证数据的预测结果和原信息标签作为训练数据,对测试样本集进行预测。
本发明步骤3的具体过程如下:
(1)使用粒子群算法动态求解最优权重组合,根据基模型在训练样本集的预测结果的评价指标线性地分配初权重后,随机初始化每个粒子;
(2)以准确率和假阴性率为目标函数在测试样本集做双目标规划,迭代过程中在假阴性率的最优解集内求准确率的最优解集。
本发明步骤1和步骤2中提及的预测结果形式为分类过程中输出的标签和概率矩阵。
本发明步骤2中的第二层模型根据训练结果在逻辑回归模型和支持向量机模型中择优选择。
与现有技术相比,本发明基于输入的受试者疾病特征信息,结合模型训练的集合划分以及多层级框架将受试者划分为训练样本集和测试样本集,使用训练样本集中部分数据训练模型,训练样本集中余下数据用于做模型内部验证;融合前分类器筛选:基于输入的受试者疾病信息,利用多种单一疾病分期模型得出训练集中疾病分期的预测信息,并利用模型间预测结果的相关性结合各模型的准确率和假阴性率做差异化筛选,得到性能优异且原理不同的模型作为第一层基模型,并使用第一层基模型对测试样本集进行预测;融合方式的优化:将基模型得出的对训练样本集内部验证部分数据和测试样本集的预测结果作为数据特征输入第二层模型,不同基模型的数据乘以其对应的权重于第二层使用模型预测疾病分期,最终得到模型融合的结果;权重的动态计算:线性根据基模型在内部验证数据中的预测效果设置初步权重,使用粒子群算法和迭代的方法动态优化权重;本发明能够客观、自动地针对样本数据建立疾病分期模型并进行模型融合,并能根据所输入的评价指标阈值进行动态优化,可提高分期模型的精度并且减少漏报、误报率。
附图说明
图1是本发明的模型融合过程中数据划分示意图;
图2是本发明的具体流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1和图2所示,一种基于多层级框架的疾病分期模型融合方法,包括以下步骤:
步骤1,构建多层框架:将受试者信息划分为训练样本集和测试样本集,使用训练样本集中部分数据训练模型,训练样本集中余下数据用于做模型内部验证,使用多种单一疾病分期模型并从中筛选出第一层基模型,第一层基模型的预测结果输入第二层模型做模型融合;
筛选第一层基模型具体过程如下:
(1)使用多种单一疾病分期模型对训练样本集中的信息进行分类,所述多种单一疾病分期模型包含支持向量机模型、K近邻模型、分类树模型、朴素贝叶斯模型以及3类集成模型,3类集成模型为提升算法模型、引导聚焦算法模型、随机森林算法模型,经筛选后基模型1、基模型2、……、基模型n中的集成模型的数量占比低于50%,高于50%则依次剔除过拟合程度高的模型直至集成模型的数量占比低于50%;
(2)根据假阴性率及准确率初步筛选出性能优异的模型,默认筛选出假阴性率低于10%且准确率高于80%的所有模型;
(3)针对根据假阴性率及准确率初步筛选出的模型,计算其两两之间预测结果序列的皮尔逊相关系数,将皮尔逊相关系数在90%以上的两个模型优先根据假阴性率、其次根据准确率排序,剔除效率低的一方,最终得到多个性能优异且原理不同的模型作为第一层基模型。
步骤2,优化融合方式:使用第一层基模型对训练样本集内部验证数据和测试样本集进行预测,其结果结合不同基模型的动态权重作为第二层数据特征输入第二层模型,以得到疾病分期模型融合的结果;以训练样本集内部验证数据的预测结果和原信息标签作为训练数据,对测试样本集进行预测,避免将第一层基模型的训练数据引入第二层模型泛化过程,从而减少数据泄露和过拟合的可能;
步骤3,计算动态权重:根据第一层基模型在训练样本集的预测结果的评价指标线性地分配初权重,以第二层模型对测试样本集中样本识别的准确率和假阴性率为双目标函数,使用粒子群算法和迭代的方法多次进行权重的调参和优化,并且根据所输入的目标值动态计算最佳权重组合,最终得到疾病分期模型融合的参数;具体过程如下:
(1)使用粒子群算法动态求解最优权重组合,根据基模型在训练样本集的预测结果的评价指标线性地分配初权重后,随机初始化每个粒子;
(2)以准确率和假阴性率为目标函数在测试样本集做双目标规划,迭代过程中在假阴性率的最优解集内求准确率的最优解集。
所述步骤2中第二层模型的建立在实际计算量较大和模型算力允许的情况可把第二层模型的预测结果结合动态权重作为第三层数据特征输入第三层模型做模型融合,因此多层框架的实际作用层数应多于两层。
所述步骤1和步骤3中提及的预测结果形式为分类过程中输出的标签和概率矩阵。
所述步骤3中的第二层模型根据训练结果在逻辑回归模型和支持向量机模型中择优选择。
本发明方法全面,操作流程简单,得到的疾病分期模型具有客观、稳定性强、漏报误报率低等特点,在疾病信息识别及其模型融合领域具有广泛的应用价值。本发明提及的90%的相关度阈值、10%的假阴性率阈值和80%的准确率阈值都是算法所设置的常规值,而不是用于特定描述,可以根据模型应用的实际结果进行调整。
实施例1
一种基于多层级框架的疾病分期模型融合方法,包括以下步骤:
步骤1:输入矿井工人体检的肺部CT图像,根据医生初步的诊断结果识别出疑似尘肺病患者后,然后将受试者划分为训练样本集和测试样本集,使用训练样本集中80%的数据训练模型,训练样本集中余下20%的数据用于做模型内部验证,从单一疾病分期模型中筛选出第一层基模型并把第一层基模型的预测结果输入第二层模型做模型融合;
使用向量机模型、K近邻模型、分类树模型、朴素贝叶斯模型、提升算法、引导聚焦算法和随机森林算法模型对训练样本集中的信息进行分类,筛选出假阴性率低于10%且准确率高于80%的所有模型,并计算两两模型之间预测结果序列的皮尔逊相关系数,将皮尔逊相关系数在90%以上的两个模型优先根据假阴性率、其次根据准确率剔除效率较低一方,最终得到向量机模型、K近邻模型、随机森林算法模型作为第一层基模型,满足集成模型的数量占比不得超过50%的基模型筛选要求;
步骤2:使用第一层基模型对训练样本集内部验证数据和测试样本集进行预测,其分类过程中输出的标签和概率矩阵结合不同的权重作为第二层数据特征输入第二层模型,以得到疾病分期模型融合的结果;
步骤3:根据第一层基模型在训练样本集的预测结果的评价指标,线性地为向量机模型、K近邻模型、随机森林算法模型分配初权重比例为0.2:0.3:0.5,随机初始化每个粒子,使用粒子群算法动态求解最优权重组合,以第二层模型对测试样本集中样本识别的准确率和假阴性率为双目标函数,迭代过程中在假阴性率的最优解集内求准确率的最优解集并多次进行权重的调参和优化,并且根据所输入的目标值动态计算最佳权重组合:0.22:0.33:0.45,结合此权重得到对尘肺病分期模型的融合方案,并输出对疑似病例的分期诊断。
实施例2
一种基于多层级框架的疾病分期模型融合方法,包括以下步骤:
步骤1:输入矿井工人体检的呼出气传感数据,根据医生初步的诊断结果识别出疑似尘肺病患者后,将受试者划分为训练样本集和测试样本集,使用训练样本集中80%的数据训练模型,训练样本集中余下20%的数据用于做模型内部验证,从单一疾病分期模型中筛选出第一层基模型并把第一层基模型的预测结果输入第二层模型做模型融合;
使用向量机模型、K近邻模型、分类树模型、朴素贝叶斯模型、提升算法、引导聚焦算法和随机森林算法模型对训练样本集中的信息进行分类,筛选出假阴性率低于10%且准确率高于80%的所有模型,并计算两两模型之间预测结果序列的皮尔逊相关系数,将皮尔逊相关系数在90%以上的两个模型优先根据假阴性率、其次根据准确率剔除效率较低一方,最终得到向量机模型、K近邻模型、随机森林算法模型作为第一层基模型,满足集成模型的数量占比不得超过50%的基模型筛选要求;
步骤2:使用第一层基模型对训练样本集内部验证数据和测试样本集进行预测,其分类过程中输出的标签和概率矩阵结合不同的权重作为第二层数据特征输入第二层模型,以得到疾病分期模型融合的结果;
步骤3:根据第一层基模型在训练样本集的预测结果的评价指标,线性地为向量机模型、K近邻模型、随机森林算法模型分配初权重比例为0.2:0.3:0.5,随机初始化每个粒子,使用粒子群算法动态求解最优权重组合,以第二层模型对测试集中样本识别的准确率和假阴性率为双目标函数,迭代过程中在假阴性率的最优解集内求准确率的最优解集并多次进行权重的调参和优化,并且根据所输入的目标值动态计算最佳权重组合:0.22:0.33:0.45,结合此权重得到对尘肺病分期模型的融合方案,并输出对疑似病例的分期诊断。
Claims (4)
1.一种基于多层级框架的疾病分期模型融合方法,其特征在于,包括以下步骤:
步骤1,将受试者信息输入并划分为训练样本集和测试样本集,使用训练样本集中部分数据训练模型,训练样本集中余下数据用于做模型内部验证,使用多种单一疾病分期模型并从中筛选出第一层基模型,第一层基模型的预测结果输入第二层模型做模型融合;
步骤2,使用第一层基模型对训练样本集内部验证数据和测试样本集进行预测,其结果结合第一层基模型的动态权重作为第二层数据特征输入至第二层模型,以得到疾病分期模型融合的结果;
步骤3,计算动态权重,根据第一层基模型在训练样本集的预测结果的评价指标线性地分配初权重,以第二层模型对测试样本集中样本识别的准确率和假阴性率为双目标函数,使用粒子群算法和迭代的方法多次进行权重的调参和优化,并且根据所输入的目标值动态计算最佳权重组合,最终得到疾病分期模型融合的参数;
筛选第一层基模型具体过程如下:
(1)使用多种单一疾病分期模型对训练样本集中的信息进行分类,所述多种单一疾病分期模型包含支持向量机模型、K近邻模型、分类树模型、朴素贝叶斯模型以及3类集成模型,3类集成模型为提升算法模型、引导聚焦算法模型、随机森林算法模型,经筛选后基模型1、基模型2、……、基模型n中的集成模型的数量占比应低于50%,高于50%则依次剔除过拟合程度高的模型直至集成模型的数量占比低于50%;
(2)根据假阴性率及准确率初步筛选出性能优异的模型,默认筛选出假阴性率低于10%且准确率高于80%的所有模型;
(3)针对根据假阴性率及准确率初步筛选出的模型,计算其两两之间预测结果序列的皮尔逊相关系数,将皮尔逊相关系数在90%以上的两个模型优先根据假阴性率、其次根据准确率排序,剔除效率低的一方,最终得到多个性能优异且原理不同的模型作为第一层基模型;
所述步骤2中第二层模型是根据实际计算量和模型算力建立的,把第二层模型的预测结果结合动态权重作为第三层数据特征输入至第三层模型做模型融合,即多层框架的实际作用层数应多于两层;
所述步骤3的具体过程如下:
(1)使用粒子群算法动态求解最优权重组合,根据基模型在训练样本集的预测结果的评价指标线性地分配初权重后,随机初始化每个粒子;
(2)以准确率和假阴性率为目标函数在测试样本集做双目标规划,迭代过程中在假阴性率的最优解集内求准确率的最优解集。
2.根据权利要求1所述的一种基于多层级框架的疾病分期模型融合方法,其特征在于,所述步骤3中,以训练样本集内部验证数据的预测结果和原信息标签作为训练数据,对测试样本集进行预测。
3.根据权利要求1所述的一种基于多层级框架的疾病分期模型融合方法,其特征在于,所述步骤1和步骤2中提及的预测结果形式为分类过程中输出的标签和概率矩阵。
4.根据权利要求1所述的一种基于多层级框架的疾病分期模型融合方法,其特征在于,所述步骤2中的第二层模型根据训练结果在逻辑回归模型和支持向量机模型中选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246964.0A CN113948206B (zh) | 2021-10-26 | 2021-10-26 | 一种基于多层级框架的疾病分期模型融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246964.0A CN113948206B (zh) | 2021-10-26 | 2021-10-26 | 一种基于多层级框架的疾病分期模型融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113948206A CN113948206A (zh) | 2022-01-18 |
CN113948206B true CN113948206B (zh) | 2024-05-07 |
Family
ID=79332394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111246964.0A Active CN113948206B (zh) | 2021-10-26 | 2021-10-26 | 一种基于多层级框架的疾病分期模型融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113948206B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115274100B (zh) * | 2022-09-30 | 2022-12-09 | 谱宁医学科技(天津)有限责任公司 | 基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299501B (zh) * | 2018-08-08 | 2022-03-11 | 浙江大学 | 一种基于工作流的振动光谱分析模型优化方法 |
-
2021
- 2021-10-26 CN CN202111246964.0A patent/CN113948206B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108231201A (zh) * | 2018-01-25 | 2018-06-29 | 华中科技大学 | 一种疾病数据分析处理模型的构建方法、系统及应用 |
Non-Patent Citations (2)
Title |
---|
刘雅克 ; 陶然 ; 王洪 ; 朱鸣镝 ; 曹毅 ; 朱建炜 ; 王友华 ; 陆跃 ; 张亚峰 ; 徐华 ; 张磊 ; 张波 ; 韩庆林 ; 刘璠 ; 周振宇.胫骨平台骨折术后膝关节创伤性关节炎风险预测模型的构建.中华骨科杂志.36(18),全文. * |
朱猛 ; 程阳 ; 戴俊程 ; 谢兰 ; 靳光付 ; 马红霞 ; 胡志斌 ; 师咏勇 ; 林东昕 ; 沈洪兵.基于全基因组关联研究的中国人群肺癌风险预测模型.中华流行病学杂志.36(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113948206A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100794516B1 (ko) | 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법 | |
CN112184658A (zh) | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 | |
CN112951413B (zh) | 一种基于决策树和改进smote算法的哮喘病诊断系统 | |
CN112633601B (zh) | 疾病事件发生概率的预测方法、装置、设备及计算机介质 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN111968741A (zh) | 基于深度学习与集成学习的糖尿病并发症高危预警系统 | |
CN112201330A (zh) | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 | |
CN116153495A (zh) | 一种食管癌患者免疫治疗预后生存预测方法 | |
CN113948206B (zh) | 一种基于多层级框架的疾病分期模型融合方法 | |
CN111524570B (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
CN113674862A (zh) | 一种基于机器学习的急性肾功能损伤发病预测方法 | |
Sudharson et al. | Enhancing the Efficiency of Lung Disease Prediction using CatBoost and Expectation Maximization Algorithms | |
CN112348360B (zh) | 一种基于大数据技术的中药生产工艺参数分析系统 | |
CN109885712A (zh) | 基于内容的肺结节图像检索方法及系统 | |
CN109685133A (zh) | 基于构建的预测模型低成本、高区分度的数据分类方法 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
CN117131345A (zh) | 一种基于数据深度学习计算的多源数据参数评估方法 | |
CN115204475A (zh) | 一种戒毒场所安全事件风险评估方法 | |
CN113448840A (zh) | 基于预测缺陷率和模糊综合评价模型的软件质量评价方法 | |
CN113096815A (zh) | 一种基于logistic回归的慢性肾病预测方法 | |
CN115018760B (zh) | 一种基于人机混合增强智能的血细胞形态学辅助检验系统及方法 | |
CN113936804B (zh) | 一种肺癌切除术后持续漏气风险预测模型构建系统 | |
CN116226629B (zh) | 一种基于特征贡献的多模型特征选择方法及系统 | |
CN117235487B (zh) | 一种用于预测哮喘患者住院事件的特征提取方法和系统 | |
TWI826081B (zh) | 癌症進展評估方法及其系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |