论文部分内容阅读
面对人类健康威胁的杀手—心脏疾病,特别是先天性心脏疾病,其诊断和治疗成为当前医疗领域面临的挑战之一,目前主要的诊疗过程只能在大型医疗机构实现,而对于偏远地区的患者的诊断存在较大的困难。因此本文通过基于临床容易采集的4种心脏生理信号,实现了简易的先天性心脏病患者的辅助诊断,进而有效的为患者前往就医提供参考。本文采用的临床心脏生理信号有:左心室舒张末期内径(left ventricular end-diastolic diameter,LVEDD)、左心室射血分数(left ventricular ejection fraction,LVEF)、B型钠酸肽(B-type natriuretic peptide,BNP)、心脏缺损大小,基于以上4种心脏生理信号和分类预测模型方法构建了多层分步辅助诊断过程。临床数据经过数据预处理,清除可能的异常样本,然后运用三种分类器相结合的方法对临床数据进行了疾病类型分类,最后根据疾病类型,基于神经网络的综合预测方法进行了心脏缺损大小的预测。本文主要解决了以下5个问题:(1)将多元二项式回归模型应用于临床医疗数据的预处理去噪,运用四种不同的多元二项式回归模型—线性、二次、交叉二次、纯二次拟合临床数据,综合得出异常点,并对数据进行了简单的分类。(2)对先天性心脏的三种主要类型—室间隔缺损(ventricular septal defect,VSD)、房间隔缺损(atrial septal defect,ASD)、动脉导管未闭(patent ductus arteriosus,PDA)进行分步分类,运用三种分类方法—朴素贝叶斯分类、随机森林分类、支持向量机(SVM)分类,将分类结果进行多数投票综合得到最终的分类,先将VSD和PDA两种疾病综合与ASD进行分类,然后再进行VSD和PDA的分类,第一步分类准确率在85%以上,第二步分类在61%左右,印证了VSD和PDA的并发出现导致生理病理信号特征的相似性较大的临床现象。(3)基于两种神经网络—BP神经网络和RBF神经网络的综合方法对心脏缺损大小进行预测,融合临床上的心脏生理数据,学习训练出生理信号间的网络关系模型,并以此模型为基础做出的预测可信度较高,特征间的相关性分析的基础上构建临床生理数据间数学关系模型。(4)提出对先天性心脏病的分层辅助诊断,首先运用回归模型对数据进行预处理;接着综合运用概率统计模型和神经网络模型,对疾病类型进行分类;根据分类结果,按照疾病的不同划分,综合多种神经网络模型对心脏疾病严重程度预测,即预测各个心脏疾病类型的心脏缺损大小,从而最终完成对先天性心脏病辅助诊断的过程。(5)采用留一交叉验证解决临床数据不足对分类模型和预测模型学习和构建带来的问题,使有限的数据进行大数据下才能进行的神经网络学习和概率分析,并实现算法运行过程的可重复性和提高准确率。本文通过解决以上先天性心脏病辅助诊断过程中的5个关键问题,获得80%以上的临床数据分类预测结果,实验结果具有较好的临床运用价值。