决策树分类技术在疾病辅助诊断系统中的研究与应用

论文摘要

目前,医生对疾病的诊断还处于传统的经验阶段,诊断结果的正误与医生的水平密切相关,特别是对于那些难以诊断的复杂病例,人们往往求助于医疗专家。但是专家的数量毕竟是有限的,尤其是对一些中小型医院来说,尚不具备在各个门诊处设立专家的条件,致使疑难病症的误诊率较高。因此利用先进的计算机知识结合医疗信息数据库,开发辅助诊断系统,已成为一个重要的发展方向。本文在研究数据挖掘中的决策树技术的基础上,引入了Boosting集成和改进主成分分析特征选择技术,充分考虑了诊断结果的可理解性,诊断模型的泛化能力、稳定性和准确度,提出了基于改进PCA特征选择和C4.5 Boosting集成技术的AD-BC4.5-PCAFS辅助诊断算法。该方法主要分为三个阶段:第一阶段是采用PCAFS进行特征选择,从而简化分类器的建立,降低冗余属性对分类器的影响;第二阶段是采用基于C4.5的Boosting集成技术建立多个分类模型;第三阶段是根据所训练出的模型对新样本的类别进行加权投票表决。本文的实验是在多个真实医疗数据集上进行的,结果表明:PCAFS特征选择方法完全正确,且比PEA特征压缩方法更高效、更易理解;AD-BC4.5-PCAFS辅助诊断算法比其他经典方法更高效。最后,本文将AD-BC4.5-PCAFS算法应用到与辅助诊断类似的导诊系统中,取得了良好的应用效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究目的和意义
• 1.3 国内外研究现状
• 1.4 本文的工作
• 1.5 本文的主要创新点
• 第二章 医学数据挖掘
• 2.1 概述
• 2.2 医学数据的特点
• 2.3 医学数据挖掘的过程
• 2.4 医学数据挖掘的关键技术
• 2.5 医学数据挖掘的发展方向
• 2.6 本章小结
• 第三章 PCA特征选择和决策树分类技术
• 3.1 PCA特征选择
• 3.1.1 概述
• 3.1.2 PCA基本原理
• 3.1.3 PCA算法分析
• 3.2 决策树分类技术
• 3.2.1 概述
• 3.2.2 典型的决策树分类算法
• 3.2.3 决策树分类算法分析比较
• 3.3 本章小结
• 第四章 基于改进PCA和决策树技术的集成辅助诊断
• 4.1 算法设计思路
• 4.2 PCA算法改进
• 4.3 AD-BC4.5-PCAFS辅助诊断算法
• 4.4 实验设计
• 4.4.1 PCAFS正确性实验
• 4.4.2 AD-BC4.5-PCAFS辅助诊断算法实验
• 4.5 本章小结
• 第五章 AD-BC4.5-PCAFS算法在导诊自动化系统中的应用
• 5.1 导诊自动化系统
• 5.1.1 背景及功能
• 5.1.2 体系结构
• 5.2 AD-BC4.5-PCAFS辅助诊断算法在导诊自动化系统中的应用
• 5.2.1 基于PCAFS的特征选择
• 5.2.2 基于C4.5的Boosting集成辅助诊断
• 5.2.3 患病症状选择
• 5.2.4 进行导诊
• 5.2.5 系统测试
• 5.3 系统评价
• 5.3.1 本系统的优点
• 5.3.2 本系统有待改进的方面
• 5.4 本章小结
• 第六章 总结和展望
• 6.1 总结
• 6.2 展望
• 致谢
• 主要参考文献
• 附录1
• 附录2