[发明专利]二阶段混合模型的智能辅助医疗决策支持方法

说明书

技术领域

本发明属于智能决策领域，具体涉及一种二阶段混合模型的智能辅助医疗决策支持方法。

背景技术

智能决策是数据挖掘、模式识别和机器学习等领域中最活跃的研究内容之一，它具有凭借其对数据自动学习，从中提取其中隐含的规则或模型，并作出智能决策的强大能力，在现实中有着非常广泛的应用（如医疗诊断和金融风险预测等）。

医疗诊断是智能决策技术在医疗领域的应用，通过构建诊断系统辅助医生更好地对各种疾病进行诊断。传统的医疗诊断过程是医生根据临床经验对新来的病人进行推理诊断的决策过程，在很大程度上主要依赖于个人的实际经验，需要经过长时间的经验积累才能达到足够丰富的决策水平；同时决策过程也在很大程度上受主观意识和外界因素干扰等影响，容易做出偏差较大的分析，影响决策的准确度。原始的医疗诊断方法已经不能满足现代社会发展的需求，因此发挥计算机推理和学习能力，开发出高效高精度的智能辅助医疗诊断模型或系统是一个重要的发展方向。这些智能决策方法可以尽可能减少因经验不足造成的决策错误，为复杂的医疗决策支持提供准确、客观的定量分析方法，在为解决这些复杂决策问题提供客观和科学的决策等方面具有重要意义。

泛化能力对决策模型在实际应用中发挥效果起到至关重要的作用，然而直接应用传统的学习方法往往难以达到理想的决策效果，如何构造出强泛化能力的学习模型为决策者提供合理科学的决策支持是目前亟待解决的难题。

智能医疗诊断的基本原理是利用已知收集到的数据捕获其中未知的、潜在的概率分布等重要特征，数据可以看作是揭示观察到的变量之间关系的样本，通过对数据自动进行学习，识别其中的复杂模式并作出智能决策。智能决策模型能够根据给定的实例进行泛化以便对新的病例进行分析判断。

目前，已提出了一些决策支持方法：

1)基于神经网络(ANN)的智能医疗诊断方法。ANN具有很强的自组织性、鲁棒性和容错性，以及非线性和并行处理能力，在医疗诊断中得到广泛应用，2010年，Er等提出利用多种ANN模型诊断胸部疾病，同年Ayer等利用多种ANN模型对乳腺癌诊断进行研究；

2)基于演化计算的智能医疗诊断方法。2008年，zhang提出改进的遗传规划(GP)方法，对两种疾病诊断问题进行研究，和其他机器学习方法包括KNN，ANN等相比，获得更高的分类精度，2011年，Lambrou提出基于GA的保角预测方法进行疾病诊断，实验表明该模型不仅能达到已有模型的分类准确率，还能给分类器提供可靠的置信度，并从数据中提取出易理解的可信的规则；

3)基于支持向量机(SVM)的智能医疗诊断方法。2010年，Peng提出一种结合过滤算法和打包算法的混合特征选择，并结合SVM分类器在多种疾病进行了诊断。

但每种学习方法都有各自的优缺点，如ANN模型的权重值需要多次计算，训练时间长；GA中涉及许多参数需要人为调节；SVM模型的参数对结果影响很大，需要慎重选择等，并且诊断模型大多依赖于现有学习模型，其泛化能力还有待进一步改善，对数据的分析不够充分，可能存在异常值严重影响诊断的准确率，另外，随着学习理论和方法的不断完善，各种新方法不断提出，整个医疗诊断领域需要强泛化能力的新方法。

发明内容

针对医疗诊断过度依赖经验积累或经验不足造成的决策错误，需要构造出强泛化能力的诊断模型等问题，本发明的目的是提供一种二阶段混合模型的智能辅助医疗决策支持方法。该方法针对医疗数据，通过预处理研究潜在的分布特征，利用减聚类算法进行加权化，再结合新颖的极限学习机分类方法进行分类预测并进行评估，可以获得更准确的预测结果。

本发明提供了一种二阶段混合模型的智能辅助医疗决策支持方法，所述方法包括如下步骤：

S1，基于减聚类方法，对真实的医疗样本数据信息进行加权预处理，将非线性不可分的特征空间转化为可分的线性数据特征空间；

S2，基于高效的极限学习机模型，利用预处理得到的加权特征数据，通过数据自学习构建医疗决策支持模型；

S3，基于S2构建的模型，采用开源的数据，对研究对象进行分类预测，从而实现为目标用户提供可靠高效的辅助预测支持。

附图说明

图1给出了二阶段混合模型的智能辅助医疗决策支持方法的流程示意图。

图2是减聚类算法对数据样本进行加权处理方法的流程示意图。

图3是真实数据帕金森疾病(Parkinsons)原始数据集在三维空间上的分布示意图。

图4是真实数据帕金森疾病(Parkinsons)数据集加权预处理之后在三维空间上的分布示意图。