移动医疗App在线评论维度挖掘与情感分析

目的：对我国移动医疗App的在线评论进行维度挖掘与情感分析,以便精准评价用户满意度。方法：基于App Store中国应用市场中医疗类App的在线评论数据,采用集成多策略的深度学习方法,首先应用TF-IDF算法、BERT模型和Canopy+K-means聚类分析方法提取移动医疗App在线评论的主要维度,然后通过计算各维度权重值,明确不同维度对用户整体评价意见的重要性,最后利用LSTM-CNN模型对各维度的用户评论进行细粒度情感分析。结果：用户关注的移动医疗App在线评论主要维度依次为专业性、可靠性、交互性、易用性和特色性;用户对移动医疗App的整体满意度不高,在可靠性、交互性、特色性维度上的评论积极情感倾向率较低;同时,移动医疗各细分领域的App在不同维度上也存在明显不同的优势和劣势,需要根据自身特色和发展目标进行优化与完善。结论：集成多策略的深度学习方法在移动医疗App在线评论维度挖掘和情感分类上具有很好的适用性、稳定性与可推广性,可为App在线评论文本分析和用户满意度评价提供重要的方法支撑。     

基于深度学习的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠分类

目的：基于医疗大数据的深度学习分析算法,提出了一种具有辅助诊断价值的慢性阻塞性肺病与哮喘-慢性阻塞性肺疾病重叠的鉴别诊断方法。方法：选择COPDGene数据集,利用Fisher评分的方法进行特征选择,使用准确率和ROC曲线对深度信念网络模型和支持向量机模型构建鉴别诊断模型,进行分析和比较。结果：使用深度信念网络模型得出的与COPD和ACO分类有关的敏感特征与已知临床诊断策略具有较高的吻合度,支持向量机模型和深度信念网络模型的分类准确率分别为85.28%和93.56%,灵敏度分别为89.73%和95.21%,特异度分别为74.10%和89.29%。结论：利用深度信念网络构建的COPD与ACO自动分类模型具有较高的鉴别诊断能力,可以有效协助临床医生对患者进行诊断。     

基于BP神经网络和支持向量机的荨麻疹证候分类探讨

从知网、万方、维普等数据库中收集临床中医治疗荨麻疹有效的案例资料,基于BP神经网络和支持向量机模型探讨构建荨麻疹证候分类模型,并比较分析两种证候分类模型的精确度。结果显示,BP神经网络证候分类模型测试的准确率为83.13%,支持向量机证候分类模型测试准确率为92.3%,支持向量机证候分类模型的精确度高于BP神经网络证候分类模型。提示利用BP神经网络与支持向量机分类器进行荨麻疹证候分类均可取得较好的结果。但因本研究尚处在理论模型探讨阶段,故其准确度仍需更大的样本量及智能优化算法等以进一步提高。     

基于深度学习的肝包虫疾病图像分类

目的:为了实现新疆高发病肝包虫病CT图像的正确分类,提出一种深度学习的肝包虫病CT图像的自动分类方法。方法:对单囊、多囊和肝囊肿CT图像使用深度学习的分类方法进行分类。首先,构建并优化ResNet-50网络模型,将肝包虫病图像分批次传入网络,然后用交叉熵作为损失函数,最后把网络结构加入对数据的批归一化处理,通过反向传播算法优化参数使损失函数最小化,最终选择训练所得的最优网络。结果:各类别的最佳分类准确率分别为单囊型78.33%、多囊型81.52%、肝囊肿型80.24%。结论:深度学习卷积神经网络的肝包虫病CT图像疾病分类方法可行、合理、且调整后的ResNet-50模型比较适合肝包虫病图像的分类,有望通过深度学习方法对肝包虫病提供辅助诊断及决策支持。     

基于遗传算法和BP神经网络的CTG识别研究

目的:针对正常类、非典型类和异常类3类胎心宫缩监护图(Cardiotocography,CTG),利用BP神经网络建立分类识别模型。方法:根据遗传算法(Genetic algorithm,GA)具有全局寻优的特点,引入遗传算法对神经网络权值和阈值进行优化,形成一种训练神经网络的混合算法(GA-BP算法),以克服BP算法易陷入局部最优解的缺陷,并以UCI数据库中的CTG数据集为例进行测试。结论:仿真结果表明,对于正常类、非典型类和异常类3类样本,BP算法的分类准确率分别为97.32%、71.97%和95.45%,而GA-BP算法的分类准确率分别提高到98.24%、82.67%和95.65%。可见GA-BP分类模型具有较强的学习能力和泛化能力,分类准确度更令人满意,所提出的方法是可行的。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

深度学习在基于曲面体层片的成釉细胞瘤及牙源性角化囊肿鉴别诊断中的应用

目的 通过应用不同卷积神经网络模型对成釉细胞瘤及牙源性角化囊肿进行鉴别诊断。方法 回顾性收集1000张成釉细胞瘤和牙源性角化囊肿患者的数字曲面体层片，选用ResNet(18、50、101)、VGG(16、19)、EfficientNet(b1、b3、b5)深度学习模型，对训练集中的800张曲面体层片经五折交叉验证的方法训练后对测试集中的200张曲面体层片进行鉴别诊断。同时，7名口腔放射专业医生对这200张曲面体层片进行诊断，并将二者的诊断结果进行比较。结果 卷积神经网络模型的诊断准确率为82.50%～87.50%,其中EfficientNet b1准确率最高，为87.50%,各卷积神经网络模型训练集和测试集本身之间比较，准确率差异无统计学意义(P_训练集=0.998,P_测试集=0.905)。7名口腔放射专业医生(2名高年资医生、5名低年资医生)平均诊断准确率为(70.30±5.48)%,且不同年资医生之间平均诊断准确率差异无统计学意义(P=0.883)。深度学习卷积神经网络模型的诊断准确率显著高于口腔放射专业医生的诊断准确率(P<0.00...     

基于深度学习并行网络模型的心律失常分类方法

目的 提出一种并行神经网络分类方法,以提高对正常搏动、室上性异位搏动、心室异位搏动、融合搏动4种心律失常的分类性能。方法 首先进行心电信号去噪、小尺度心拍和大尺度心拍的分割、数据增强等预处理;然后基于深度学习理论,应用密集连接卷积神经网络改善人工提取波形特征的局限性,并结合双向长短时记忆网络和高效通道注意力网络,以增强提取波形时序特征和重要特征的功能;接着采用并行网络结构,同时输入小尺度心拍和大尺度心拍的的波形特征,以提高心律失常分类的准确性;最后使用Softmax函数实现对心律失常的4分类任务。结果 利用MIT-BIH心律失常数据库和3组实验验证所提方法。多种并行网络模型分类性能对比实验和不同心拍输入方式下,各分类模型性能对比实验得出所提分类模型的总体准确率、平均灵敏度和平均特异性分别达到99.36%、96.08%、99.41%;并行网络分类模型收敛性能分析实验得出分类模型每次训练时间为41 s。结论 并行多网络分类方法在保持较高总体准确率的同时,平均灵敏度、平均特异性以及训练时间均有改善,该方法有望为心律失常临床诊断提供新的技术方案。     

基于SCM的在线健康社区用户评论行为时滞特征影响因素研究

目的：基于刻板印象内容模型探究在线健康社区用户评论行为时滞特征的影响因素，以提升医疗服务质量和促进在线健康社区用户信息的交流。方法：利用文本挖掘方法对在线健康社区用户变量进行测量，以各个主题文本的情感得分为自变量，以患者就诊时间与其评论时间的时间间隔作为因变量构建在线健康社区用户线性回归模型并对模型进行检验。结果：信任感、关怀性、可靠性、有效性对患者就诊时间与评论时间的时间间隔有显著的负面影响，有形性、响应性、经济性则无显著影响。结论：医生态度越好，医生越关注患者的需求、专业技能越强，诊断越准确，治疗效果越好，用户反馈时间越短。     

基于BP神经网络的阿尔茨海默病预测模型研究

目的：基于阿尔茨海默病患者的日常认知自我报告清单，利用BP神经网络模型构建阿尔茨海默病不同病程的预测分类器，并评估预测分类器的性能。方法：纳入ADNI-GO、ADNI-2、ADNI-3等3个计划阶段的参与者日常认知自我报告清单数据。以7：3的比例划分训练集和测试集，以网格搜索方法设置十折交叉验证确定最佳BP神经网络参数，测试集用于评估模型的泛化能力。结果：ADNI-GO和ADNI-2阶段的模型分类准确率达到90%，而ADNI-3阶段的准确率最低，不到80%，且ADNI-3模型的泛化能力低，存在过拟合问题。结论：利用患者当前日常认知自我报告清单可以准确预测分类患者的病程阶段，有利于患者尽快进一步检查或治疗，具有一定的临床价值。     

基于深度学习的生物医学文本分类研究

目的：探索基于深度学习的文本分类方法在生物医学文本的学科分类中是否具有更好的分类性能。方法：以中国医院科技量值研究中累积的神经病学科、消化病学科、肿瘤学科的SCI论文为数据来源,分别训练并测试CNN、LSTM、LSTM-CNN、LSTM-attention及SVM模型并评估其性能。结果：5类模型中,双层CNN模型的分类性能最好,CNN、LSTM、LSTM-CNN和LSTM-attention模型的分类性能均优于SVM模型。结论：基于深度学习的文本分类方法可提高生物医学文本的学科分类精度,推动医院评价和学科评估的发展。     

基于集成神经网络的类风湿关节炎中医证候分类研究

目的 针对基于AI技术的类风湿关节炎（RA）中医证候多标签分类中存在标签关联性差、泛化性能低等问题,提出构建一种集成神经网络模型来实现RA中医证候分类,并探究其中的特征重要性和风险因素,为RA的诊断和治疗提供参考。方法 本文提出一种集成神经网络模型实现RA中医证候分类。该模型采用一种基于多层神经网络的基分类器提取临床RA多标签样本的深层特征,增强RA特征区分度,根据协方差理论衡量标签相关性,调节分类器链的输入空间,减少RA错误信息传播和冗余度,采用集成学习方法减小分类器链中不合理标签序列对RA特征分类的影响。结果 该模型在10折交叉验证性能参数中表现出优秀的性能,其中汉明损失、1-错误率、准确率和F1值分别为0.0036、0.0248、97.52%、99.18%。与其他常用多标签分类器相比,该模型的性能更为优秀具有更好的分类性能。此外,本文分析了RA中医证候特征重要性,并挖掘了潜在的风险因素。结论 基于集成神经网络模型的RA中医证候分类器具有较高的分类精度和效率,对于RA的临床诊断和治疗具有重要参考价值。     

2型糖尿病患者亚临床动脉粥样硬化的多层人工神经网络分类预测模型的构建

背景　现阶段我国2型糖尿病（T2DM）患者数量较多,亟须开发简单、有效的亚临床动脉粥样硬化发生风险评估工具。目的　依据多项指标构建预测T2DM患者亚临床动脉粥样硬化的多层人工神经网络分类模型并验证其预测准确性。方法　选取2010年1月至2016年12月在安徽医科大学第三附属医院住院的T2DM患者3 627例,均行双侧颈动脉彩色多普勒超声检查,其中检出亚临床动脉粥样硬化者2 196例（观察组）,未检出亚临床动脉粥样硬化者1 431例（对照组）。比较两组患者一般资料、实验室检查指标及脂肪肝发生情况并据此构建多层人工神经网络分类模型。从3 627例T2DM患者中随机选取3 027例患者作为训练集,其余600例患者作为测试集,验证多层人工神经网络分类模型的预测准确性。结果　两组患者体质指数、舒张压、有吸烟史者所占比例、有饮酒史者所占比例、饮酒量、直接胆红素、总蛋白、天冬氨酸氨基转移酶、血尿酸、三酰甘油、低密度脂蛋白胆固醇/高密度脂蛋白胆固醇比值、促甲状腺激素、游离三碘甲状腺原氨酸、游离甲状腺素、糖化血红蛋白、空腹血糖、空腹C肽、HOMA-C肽指数、严重脂肪肝所占比例比较,差异无统计学意义（P>0.05）;观察组患者女性所占比例、收缩压、有高血压病史者所占比例、球蛋白、总胆汁酸、尿素氮、血肌酐、胱抑素C、尿微量白蛋白排泄率、总胆固醇、低密度脂蛋白胆固醇、高密度脂蛋白胆固醇、白细胞计数、中性粒细胞计数、糖化血红蛋白、空腹血糖高于对照组,年龄、吸烟量大于对照组,病程、吸烟时间、饮酒时间长于对照组,有糖尿病家族史者所占比例、总胆红素、间接胆红素、白蛋白、丙氨酸氨基转移酶、肾小球滤过率、三酰甘油/高密度脂蛋白胆固醇比值、淋巴细胞计数、红细胞计数、血红蛋白、脂肪肝发生率低于对照组（P<0.05）。结合临床实际,将上述49项指标作为输入变量构建多层人工神经网络分类模型;在测试集上,Logistic模型预测T2DM患者亚临床动脉粥样硬化的准确率为59%,而多层人工神经网络分类模型隐藏层数为3时预测T2DM患者亚临床动脉粥样硬化的准确率为76%。结论　本研究构建的多层人工神经网络分类模型对T2DM患者亚临床动脉粥样硬化的预测准确率较高,可作为T2DM患者亚临床动脉粥样硬化发生风险评估工具。     

基于ResNet深度网络的人类蛋白质图谱图像分类方法研究

将基于深度学习的图像分类方法引入人类蛋白质图谱图像分类中，利用ResNet深度网络构建面向人类蛋白质图谱图像分类的深度卷积神经网络，通过混合模式的蛋白质显微镜图像进行验证。结果表明该方法比其他自动分类法具有更高的准确率和精度，大大节约人力和时间。     

基于句子级Lattice-长短记忆神经网络的中文电子病历命名实体识别

目的 提出一种基于Re-entity新分词方法的条件随机场（CRF）模型,并与双向长短记忆神经网络（BiLSTM）-CRF和Lattice-长短记忆神经网络（LSTM）进行比较。方法 比较了现有实体识别方法和模型后,针对2018年全国知识图谱与语义计算大会（CCKS2018）任务一“电子病历命名实体识别”,提出基于Re-entity的CRF、BiLSTM-CRF、Lattice-LSTM方法,并在不同语料库训练不同参数级别的字符向量集。分别将各方法引入神经网络模型中进行模型性能对比实验,最后分别基于句子级和篇级输入句长进行对比研究。结果 CRF模型在最优特征工程的结果下引入Re-entity方法后性能得到提高,句子级的Lattice-LSTM模型在该任务上取得了89.75%的严格F1-measure,优于CCKS2018任务一的最高结果（89.25%）。结论 基于Re-entity新分词方法的CRF模型可利用中文临床药物知识库有效提高电子病历中药物的识别率,Re-entity方法可改善数据预处理阶段分词导致的错误累加,Lattice结构可以更好地结合字符和词序列的潜在语义信息,同时句子级输入能有效提高神经网络模型的识别准确率。     

基于机器学习技术的在线疾病诊疗方案倾向性识别研究

目的：采用机器学习技术分析和预测在线疾病诊疗方案的倾向性。方法：爬取39疾病百科网中与心血管疾病相关的439条症状数据,通过TF-IDF算法提取症状关键词向量,采用支持向量机、决策树、神经网络建立分类模型,预测不同病症倾向西医或中西医结合的治疗方案。结果：对在线疾病信息的文本分析可挖掘疾病的特征,采用机器学习技术可有效预测对应治疗方案的倾向性,预测精度均达90%以上。结论：机器学习技术可揭示疾病症状和治疗方案之间的内在联系,有助于提高在线疾病咨询的效率,提供有针对性的备选治疗方案。     

基于多尺度卷积和长短期记忆神经网络的临床危重症疾病预警模型

介绍基于多尺度卷积和长短期记忆神经网络的临床危重症疾病预警模型设计与构建,以2 198例危重症患者为研究对象,对模型进行验证,结果表明该模型预测准确率较高,有助于发掘患者数据与病情变化隐藏的关联性,从而辅助医疗决策。