论文部分内容阅读
随着大数据时代的发展,社会各领域开始通过数据信息探索辅助日常业务的工作方式,拥有超大量患者病例数据的医疗行业亦是如此。医疗行业借助统计学、机器学习、人工智能方法从数据中获得信息,并推动医疗事业发展。目前,统计学、机器学习、人工智能方法已从基因测序、医学影像、辅助诊断和药物研发等方面辅助医疗行业的工作,正在逐步实现医务工作者与机器的协作与共进,以便为患者提供更精准且智慧的医疗服务。本文针对智慧医疗领域中辅助诊断方面进行探索研究。辅助诊断是使用患者基本信息和病症信息,通过机器学习算法将对应数据映射到病情的推断与确诊的一种诊断系统。本文根据骨科医疗数据,构建了基于XGBoost算法的骨科辅助诊断分类预测模型,为验证该模型具有更好的预测效果,研究中加入了对比试验。实验结果表明,与决策树算法和随机森林算法相比,基于XGBoost算法的分类预测模型更适用于骨科数据,且具有更好预测效果。文章具体研究工作如下:由于本文主要研究智慧医疗领域中的辅助诊断,文章首先将辅助诊断问题转化为分类问题,建立辅助诊断模型。本文数据源于医院真实数据,为保证数据能够适用于模型,在数据收集与整理过程中对数据进行了预处理。在分析数据结构特点后,本文选取了XGBoost算法对数据类型复杂的医疗数据进行探索,从而辅助医生进行诊断。其次,为验证基于XGBoost算法的骨科辅助诊断分类预测模型的优势,本文选取了具有良好分类效果的决策树算法、随机森林算法与XGBoost算法进行对比研究。经过对比表明,XGBooost算法是适用于骨科辅助诊断模型的最优分类算法。最后,文章设计了一个搭载基于XGBoost算法的骨科辅助诊断分类预测模型的平台,通过该平台,可进一步实现骨科疾病的辅助诊断,并可将理论研究转化为实际应用。