基于网格的医学数据分析技术研究与实现

论文摘要

随着数字化医学数据分析技术的发展,来自临床诊疗、科研教学等方面的强烈需求,促使医学数据分析技术一直是研究的热点课题。而专门针对职业病中典型疾病建立有效的预测模型成为急需解决的问题。目前国内外针对典型职业病主要采用通用型数据分析方法,建模分析结合疾病特点能力较差、预测精度低。同时每天都在各医院中产生大量医疗数据,数据处理利用率低、资源整合力差。针对上述情况,医学主观导向分析系统MedicalSAS（Medical Subjective Analysis System）将医学数据分析技术同网格环境相结合,利用网格平台资源整合、高性能计算的优势,通过建立四大类通用数据分析模型和专有组合预测模型,实现了针对典型疾病的预测。针对典型疾病,给出了指数平滑-神经网络（ES-BP）和模糊C均值聚类-神经网络（FCM-BP）等组合建模预测方法,通过将指数平滑和模糊C均值聚类建模输出分别作为BP网络输入,构造自学习神经网络对患者未来得病情况做预测。同时基于网格平台,实现了数据分析算法的服务封装部署和服务请求调度,提供了从数据预处理、模型训练评估到模型结果可视化的流程操作,使用简单且具有良好的可扩展性。系统功能测试与算法性能测试表明,基于传统数据分析方法实现的ES-BP、FCM-BP组合预测模型能较好的克服单独建模时的缺陷,并能结合疾病数据特征,综合各致病因子对工人未来得病情况进行预测。组合模型预测精度均高于Weka系统中单独建模预测精度,在矽肺、高血压疾病中针对工人是否得病、得病年龄等预测中取得了较好的测试效果。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究概况
• 1.2.1 医学数据分析技术简介
• 1.2.2 组合建模技术简介
• 1.2.3 网格环境下的医疗数据共享平台现状与发展趋势
• 1.3 研究内容
• 1.4 文章组织结构
• 2 基于网格的医学主观导向分析系统架构
• 2.1 MedicalSAS 系统整体框架
• 2.2 医疗数据分析层
• 2.2.1 数据加载及预处理
• 2.2.2 算法训练
• 2.2.3 算法评估
• 2.3 网格资源管理层
• 2.4 小结
• 3 医学建模预测分析技术研究
• 3.1 传统数据分析方法
• 3.1.1 疾病资料介绍
• 3.1.2 预测型算法在疾病预测上的应用
• 3.1.3 描述型算法在疾病诊断上的应用
• 3.2 组合数据分析建模方法
• 3.2.1 线性组合数据分析预测模型
• 3.2.2 非线性组合数据分析预测模型
• 3.3 指数平滑-神经网络组合预测模型
• 3.3.1 BP 神经网络
• 3.3.2 指数平滑算法
• 3.3.3 指数平滑-神经网络组合预测建模方法
• 3.4 模糊C 均值聚类-神经网络组合预测模型
• 3.4.1 模糊C 均值聚类算法
• 3.4.2 模糊C 均值聚类-神经网络组合预测建模方法
• 3.5 小结
• 4 医学建模预测分析技术实现
• 4.1 数据预处理
• 4.1.1 连续属性离散化技术
• 4.1.2 数据采样与数据集划分
• 4.2 组合建模技术实现
• 4.2.1 指数平滑-神经网络组合预测方法实现
• 4.2.2 模糊C 均值聚类-神经网络组合预测方法实现
• 4.3 数据分析算法网格服务实现
• 4.3.1 网格平台环境
• 4.3.2 数据分析算法网格服务封装和部署
• 4.3.3 数据分析网格服务请求与调度
• 4.4 数据分析建模可视化
• 4.4.1 聚类模型的可视化
• 4.4.2 决策树的可视化
• 4.5 本章小结
• 5 功能测试与性能分析
• 5.1 测试环境
• 5.2 功能测试
• 5.2.1 数据加载及预处理功能测试
• 5.2.2 数据预处理结果输出
• 5.2.3 网格平台上的疾病预测功能测试
• 5.3 数据分析建模算法性能评测与分析
• 5.3.1 组合建模与单独建模预测精度比较
• 5.3.2 和weka 系统的建模分析比较
• 5.4 小结
• 6 总结与展望
• 致谢
• 参考文献