基于分类器集成技术的高血压预测与诊疗的研究PPT.pptVIP

LOGO LOGO 基于分类器集成技术的高血压预测与诊疗的研究 学生： 导师： 2012-4-12 Your site here LOGO 主要内容 1. 选题背景 2. 研究现状 3. 研究的主要内容 4. 研究方法 Your site here LOGO 选题背景 目前，我国包括冠心病、脑卒中、心力衰竭和高血压在内的心血管病病人估计已达2.3亿，其中高血压患者已达2亿，相比2002年的统计，6年激增4000万。 在我国高血压人群中，绝大多数是轻、中度高血压（占90%），轻度高血压占60%以上。而我国高血压患者的知晓率、治疗率和控制率仍分别低于50%、40%和10%。 我国国务院日前正式印发《“十二五”期间深化医药卫生体制改革规划暨实施方案》，提出“加快推进医疗卫生信息化，发挥信息辅助决策和技术支撑的作用”。 计算机技术飞速发展，将计算机用于辅助医疗决策，已被证实能够有效的预防、预测慢性疾病，改善临床医生的决策，减少药物治疗事故，提高坚持推荐的护理标准，提高卫生服务质量和效率。 Your site here LOGO 研究现状 1 理论研究成果 2 新型临床决策支持系统 理论研究成果 国外研究： 土耳其Firat University大学的研究者利用关联规则和神经网络方法开发了一个专家系统，用于乳腺癌的诊断；巴西研究者Josceli Maria Tenório等人利用多种数据挖掘技术开发出了具有自动分类功能的临床决策支持系统，用于慢性腹泻疾病的诊断；实验准确率分别高达95.6%和84.2%。 Your site here LOGO 新型临床决策支持系统  2012年1月1日，电子工程世界医疗电子中刊登了十大新型临床决策支持系统。下图为Isabel系统，该系统为医生提供一个联网清单，在其录入症状和检验结果后，作出准确诊断，主要是防止医生忽略可能存在的罕见疾病，造成误诊。 Your site here LOGO Your site here LOGO 主要研究内容 本文欲采用数据挖掘中的分类技术，根据高血压病人数据特征，建立分类模型，对高血压病人进行分类，判断是否患有高血压，并评估该分类模型的性能，力求得到一个高性能的分类器。最终能利用该分类器指导高血压临床诊断与治疗，能够指导高血压患者就医与服药，最终实现一个高血压临床决策支持系统。 本文主要研究数据挖掘中的C4.5分类算法，并利用分类器集成技术，建立一个高性能的分类器集合体，以提高临床诊断正确率。（其中单个分类器称为基分类器） Your site here LOGO 采用1种分类方法如决策树、 人工神经网络，能获得较高的 分类准确率；稳定性较差获得性 能低的分类器的风险大；分类 性能的提升已经达到一个技术瓶 颈。 单分类器 采用多种分类方法或同一分类方法 但参数设置不同训练基分类器，再 采用不同的方法将基分类器组合起 来；由于基分类器的多样性，保证 其具有较高的稳定性；由于集成方 法和基分类器的多样性，其性能提 升有很大的空间。 集成分类器 单分类器与集成分类器对比 Your site here LOGO Bagging技术的主要思想是给定一弱 学习算法和一训练集。让该学习算法 训练多轮，每轮训练集从初始的训练 集中随机取出n个样本组成，采用可 放回重复抽样，因此在训练集中某些 样本可以出现多次或根本不出现。训 练之后得到一个预测函数序列 H1，H2……，最终的预测函数H对 新分类样本采用投票方法进行判别。 bagging Boosting方法也是通过对原始训练集 采用抽样技术形成新的训练集。但每 一次所产生的分类器均受到上次已建 立的分类器性能的影响，他构建各个 分类器的过程是循环迭代，鼓励新分 类器成为先前分类器所不能正确分类 实例的专家，并根据基分类器的性能 来对其加权。 boosting 两类集成方法 Bagging训练集的选择随机，各轮训练之间相互独 立，而boosting各轮训练集选择与前面的学习结果有关；bagging 预测函数没有权重，而boosting有；bagging各个预测函数可以并行 生成而boosting只能顺序生成。大量研究表明boosting具 有更好性能。 Your site here LOGO bagging ZUIZHON boosting 两类集成技术实现过程对比 最终预测函数H(x)由各个预测函数加权产生 Your site here LOGO Adaboost（adaptive boosting）算法