CBR-RBR融合推理模型構(gòu)建及其在醫(yī)療中的應用.pdf

1、我國的醫(yī)療資源相對不足,不同地區(qū)和醫(yī)療機構(gòu)間醫(yī)療診斷和治療水平的不平衡和差異,使患者無法得到高水平的標準化救治,醫(yī)療質(zhì)量難以得到有效保證。特別是對于心臟病這類高危疾病的診治水平亟待提高?；贑BR、RBR的醫(yī)療決策系統(tǒng)為解決我國醫(yī)療資源不足、醫(yī)療質(zhì)量不高的問題提供了有效的途徑,但是,CBR與RBR方法具有各自的優(yōu)缺點,能夠?qū)⒍哌M行有效融合并應用于心臟病診斷的醫(yī)療決策支持系統(tǒng)還非常少。
　　 本文在總結(jié)分析了近年來關于案例特征選

2、擇、CBR案例檢索、RBR推理以及CBR與RBR融合方式等相關理論方法的研究成果的基礎上,結(jié)合醫(yī)療診斷的特點,構(gòu)建了CBR-RBR融合推理的醫(yī)療診斷模型。本模型利用粗糙集理論進行病案特征選擇；對病案特征的信息增益值和粗糙集重要度進行綜合加權得到病案特征的最優(yōu)權重,用于案例相似度計算；提出新的計算K-D樹遠端最近距離的算法,改進了K—D樹的搜索效率,并將這種改進的K-D樹算法用于CBR案例檢索；對CBR案例檢索相似度低于設定閥值的病案,轉(zhuǎn)

3、入RBR推理,使用Bagging算法對C4.5決策樹進行訓練和集成,構(gòu)建了Bagging-C4.5多分類器集成模型,有效提升了RBR推理性能。最后,本文將本模型應用于心臟病診斷問題,使用了美國UCI-Cleveland心臟病數(shù)據(jù)庫進行訓練和測試,并與其他相關研究進行了對比,結(jié)果表明本模型對心臟病的推理論斷準確度、靈敏度和特異性均達到很高水平,具有良好的心臟病診斷能力。
　　 本文為基于CBR、RBR方法的醫(yī)療決策支持系統(tǒng)的模型構(gòu)