醫(yī)療健康數(shù)據(jù)特征學(xué)習(xí)模型研究.pdf

1、醫(yī)療領(lǐng)域大數(shù)據(jù)應(yīng)用是國(guó)家大數(shù)據(jù)戰(zhàn)略布局中的一部分，同時(shí)也關(guān)系到全民健康的發(fā)展。醫(yī)療健康數(shù)據(jù)具有持續(xù)快速增長(zhǎng)、多模態(tài)、復(fù)雜性等特點(diǎn)，其分析和應(yīng)用面臨巨大的挑戰(zhàn)。如何及時(shí)準(zhǔn)確地采集和獲取數(shù)據(jù)，如何高效地、可靠地在高速網(wǎng)絡(luò)環(huán)境中傳輸數(shù)字信息、圖像信息、語(yǔ)音信息，如何運(yùn)用人工智能技術(shù)從醫(yī)療大數(shù)據(jù)中挖掘出有用的信息，開(kāi)發(fā)出方便廣大醫(yī)務(wù)人員和民眾使用的智能化應(yīng)用，是目前醫(yī)療數(shù)據(jù)應(yīng)用和分析中面臨的主要挑戰(zhàn)。
　　針對(duì)從醫(yī)療健康數(shù)據(jù)中挖掘信息和開(kāi)

2、發(fā)智能化應(yīng)用相關(guān)問(wèn)題，研究了多模態(tài)醫(yī)療健康數(shù)據(jù)特征表示學(xué)習(xí)相關(guān)內(nèi)容，提出了幾種特征學(xué)習(xí)模型，應(yīng)用于疾病風(fēng)險(xiǎn)評(píng)估中。針對(duì)如何為智能化醫(yī)療應(yīng)用提供完善的大數(shù)據(jù)服務(wù)，提出了云端融合系統(tǒng)半實(shí)物仿真的方法。主要貢獻(xiàn)如下：
　?。?）在醫(yī)療文本特征學(xué)習(xí)方面，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)療文本特征學(xué)習(xí)模型。將深度學(xué)習(xí)文本分析技術(shù)應(yīng)用于疾病風(fēng)險(xiǎn)評(píng)估應(yīng)用中，文本數(shù)據(jù)特征表示采用深度學(xué)習(xí)方法，不同疾病特征的學(xué)習(xí)和提取使用相同的方法，實(shí)現(xiàn)了模型的通用性。

3、為了減少模型中文本數(shù)據(jù)特征對(duì)數(shù)據(jù)的強(qiáng)依賴性，增加了醫(yī)療專業(yè)人員設(shè)計(jì)的結(jié)構(gòu)化特征，提出醫(yī)療文本數(shù)據(jù)特征與結(jié)構(gòu)化數(shù)據(jù)特征融合的模型。實(shí)驗(yàn)結(jié)果驗(yàn)證了模型的有效性、通用性和穩(wěn)定性。
　?。?）在多維數(shù)據(jù)特征學(xué)習(xí)方面，提出張量卷積自編碼神經(jīng)網(wǎng)絡(luò)模型。多維醫(yī)療影像數(shù)據(jù)，對(duì)于普通的圖像數(shù)據(jù)來(lái)說(shuō)，其像素空間位置關(guān)系包含更多信息。在卷積自編碼神經(jīng)網(wǎng)絡(luò)中使用張量計(jì)算，從向量空間應(yīng)用延伸至張量空間應(yīng)用。使用張量距離作為誤差函數(shù)，有效利用數(shù)據(jù)在張量空間的

4、位置特征。提出的模型用于肺部CT（Computed Tomography）圖像肺結(jié)節(jié)風(fēng)險(xiǎn)評(píng)估和相似結(jié)節(jié)檢索，驗(yàn)證了模型的有效性。
　?。?）在時(shí)間序列數(shù)據(jù)特征學(xué)習(xí)方面，提出了多通道卷積自編碼神經(jīng)網(wǎng)絡(luò)。分析疲勞和情感異常之間的聯(lián)系，定義了情緒疲勞的概念。使用提出的多通道卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)ECG（Electroardiogram）數(shù)據(jù)特征，使用卷積自編碼神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)面部圖像數(shù)據(jù)特征，這兩種特征和采集的生理數(shù)據(jù)融合進(jìn)行情緒疲勞檢測(cè)。建立多