论文部分内容阅读
本文运用数据挖掘中的决策树分类技术、文本挖掘技术和机器学习领域的集成学习方法提出一种新的自学习模型,用于健康体检中的辅助诊断,以此提高总检医生的工作效率并能有效减少错检漏检现象的发生。数据挖掘又称数据库中的知识发现,是目前人工智能和数据库领域研究的热点问题,所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。在本文中我们将运用数据挖掘领域中的决策树分类算法,通过挖掘分析现行健康体检系统中病人的分科检查数据和不同医生所做的总检结论,训练生成多个预测模型。利用这些模型对新病人的分科检查数据进行分析,得到相应的初级诊断意见。最终再利用机器学习中的集成学习方法,将这些模型的结果进行集成得到最终的辅助诊断意见,将其反馈给总检医生,总检医生只需要对辅助诊断意见进行相应修改便可以完成报告书写。模型根据相应反馈结果再进行自我修正和学习,不断优化以提高下次生成辅助诊断意见的准确性。通过对历史体检数据的分析,建立了一种称为自学习多树融合辅助诊断(MTMA-ADM)模型用于健康体检中辅助诊断,能够有效提高医生对于体检报告的书写效率,并能在一定程度上防止错检漏检现象的发生。通过将自学习多树融合辅助诊断模型(MTMA-ADM)应用于体检中心系统,使体检中心系统能够为总检医生提供差异化和个性化的辅助诊断结论,为体检中心建立起更加准确和人性化的体检诊断体系。