基于决策树的血瘀证诊断规则自动归纳方法

决策树是一种从数据中归纳规则的方法。利用决策树从290例血瘀证病例中自动地提取相应的诊断规则，得到决策树分类模型并归纳出5条血瘀证的诊断规则，对194例血瘀证病例测试结果为：阳性检测正确率、阴性检测正确率和检测正确率分别达到97．67％、99．07％和98．45％。实验结果表明决策树能自动从中医病例中归纳诊断规则。     

基于数据挖掘技术的消化道恶性肿瘤诊断

目的 探讨数据挖掘技术在血清肿瘤标志物（STM）联合检测诊断消化道恶性肿瘤（DTC）中应用的可能性,并比较Logistic回归模型、神经网络和朴素贝叶斯分类器及临床单一及联合STM诊断DTC的性能.方法 对301例DTC和114例消化道良性疾病患者的血清肿瘤标志物CA19-9、CA242、CA50、CEA检测值,分别建立基于统计Logistic回归、反向传播神经网络和朴素贝叶斯方法的诊断分类器,并进行10折交叉验证.利用诊断敏感度、特异度和接受者操作特征（ROC）曲线下面积对三种数据挖掘分类器、CA19-9以及4种STM并联诊断DTC的性能进行评价.结果 神经网络诊断模型的敏感度和ROC曲线下面积（Az）分别为92.0%和0.903,高于STM并联诊断的敏感度83.4%（P＜0.001）和CA19-9诊断的ROC曲线下面积0.806（P＜0.001）,特异度69.3%与STM并联诊断的特异度68.4%相当（P=1.00）;Logistic回归模型的敏感度91.4%高于STM并联诊断（P＜0.001）,特异度45.6%低于STM并联诊断（P＜0.001）,Az=0.819与CA19-9诊断相当（P=0.55）;贝叶斯分类器的敏感度72.8%低于STM并联诊断（P＜0.001）,特异度75.4% 和Az=0.797与STM并联诊断和CA19-9诊断相当（P=0.13和P=0.61）.结论 数据挖掘技术的分类方法中,神经网络的分类方法比单一STM及其并联诊断的准确性高,Logistic回归和贝叶斯方法的诊断水平与普通STM并联诊断水平相当;神经网络分类器的诊断性能优于Logistic回归模型和贝叶斯分类器,可进一步应用于计算机辅助诊断中.     

数据挖掘及人工神经网络技术在中医证候研究中的应用概述

本文回顾分析了中医证候诊断研究的方法 学概况,包括各种统计学方法 、症状的计分方法 等,并就数据挖掘技术、人工神经网络技术、模糊神经网络技术在中医证候研究中的应用进行了系统文献整理,对上述技术在中医证候诊断研究中的应用进行分析.     

基于数据挖掘的新疆高发肝包虫病的分型研究

目的探讨数据挖掘技术在新疆肝包虫病分型中的应用。方法提取肝包虫病CT图像的灰度-梯度共生矩阵(GGCM)和灰度共生矩阵(GLCM)特征,应用主成分分析法对各纹理特征及混合特征分别进行降维,采用支持向量机(SVM)分类器、决策树C4.5分类器、Logistic回归分类器对降维后的特征进行分类,最后对各分类模型进行受试者工作特性(ROC)曲线分析及参数评估。结果 SVM分类器对不同纹理特征下3种肝脏CT图像(单囊型、多囊型肝包虫病和正常肝脏)分类效果都明显优于决策树C4.5分类器和Logistic回归分类器。综合特征分类结果要明显优于单一特征分类结果;GGCM特征对综合分类结果的分类贡献率要高于GLCM特征。结论将SVM分类器应用于新疆肝包虫病CT图像的分型中具有一定分类优势,为肝包虫病影像学诊断提供了一定的依据,也为后期新疆肝包虫病计算机辅助诊断系统的研发奠定基础。     

神经网络在诊断HRCT上孤立肺结节良恶性中的初步应用

目的探讨神经网络对高分瓣率CT上孤立性肺结节(solitary pulmonary nodule,SPN)的诊断性能.方法共收集孤立性肺结节145例,其中原发性肺癌86例,结核球18例,炎性结节29例,良性肿瘤12例,均经手术病理或CT导向经皮肺穿刺活检病理组织学证实以及2年以上临床治疗追踪确诊.观察5项临床指标和10项CT影像学指标,并对定性指标进行量化.从145个样本中随机选择70%左右的样本(103例)作为训练样本,建立BP神经网络诊断模型和Logistic回归模型.比较两种模型对所有样本的诊断正确率和R0C曲线下面积.结果BP神经网络的诊断正确率为98.6%,高于Logistic回归模型的正确率88.3%(P=0.0007);ROC曲线下面积分别为0.997±0.004和0.959±O.016,差异有统计学意义(P=0.009).结论利用神经网络诊断孤立性肺结节有良好的诊断性能,值得进一步探讨.     

应用决策树挖掘人类淋巴母细胞的SNP遗传标记

决策树是数据挖掘分类方法的一种。本文以1号染色体上的HSPA6基因表达作为性状,应用数据挖掘技术的决策树算法对1号染色体上的50个SNP标记进行特征提取,并与逐步多元线性回归和逐步Logistic回归的连锁定位进行比较,结果显示三种方法均发现SNP标记位点rs107868,提示该标记位点附近可能存在影响HSPA6基因表达水平的性状位点。     

基于贝叶斯网络的脑胶质瘤恶性高低度的自动诊断

贝叶斯网络（Bayesian Network）可以把统计学和图论有效地结合起来，近年来成为数据挖掘中的研究热点，其优点可以综合先验信息和样本信息，适于处理不完整数据集。本文采用280例病例作为训练数据，利用Bayesian network进行大脑胶质瘤高低度的自动诊断，利用严格的Bayes规则进行推理，在推理过程中采用了D分离来简化过程，其诊断正确率达到80％以上，达到了领域专家的要求，而且在可理解性方面要比多层感知器和决策树要好。     

基于改进的模糊C-均值聚类算法及支持向量机的眼底图像中硬性渗出检测方法

目的提出一种基于改进的模糊C-均值(improved fuzzy C-means,IFCM)聚类算法及支持向量机(support vector machine,SVM)的检测算法,以实现对眼底图像中硬性渗出的自动识别。方法首先利用改进的FCM算法对由江苏省中医院眼科提供的120幅彩色眼底图像进行粗分割以获取硬性渗出候选区域;其次,利用Logistic回归对候选区域提取出的特征进行选择,并利用候选区域的优化特征集及相应判定结果建立SVM分类器,实现眼底图像中硬性渗出的自动检测;最后利用该方法对65幅眼底图像进行硬性渗出自动检测。结果硬性渗出自动检测得到的病灶区域水平灵敏度96.47%,阳性预测值90.13%;图像水平灵敏度100%,特异性95.00%,准确率98.46%;平均一幅图像处理时间4.56 s。结论利用改进的FCM算法与识别率较高的SVM分类器相结合的方法能够高效自动地识别出眼底图像中的硬性渗出。     

基于支持向量机的乳腺癌预后状态预测和疗效评估

乳腺癌是危害妇女健康的主要恶性肿瘤.目前基因与疾病关系的研究取得了一系列的成果,使得利用乳腺癌患者的基因信息来预测预后状态和评估治疗效果成为了可能.支持向量机(support vector machine,SVM)分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于诸多研究领域.本文采用支持向量机SVM、K-近邻法(K-nearest neighbor,K-NN)、概率神经网络(probabilistic neural network,PNN)、决策树(decision tree,DT)分类器,结合乳腺癌患者基因数据来预测患者的预后状态和评估治疗效果.结果表明:当使用高斯径向基核函数时,SVM通过5次交叉验证的最佳平均分类准确率达到了88.44%,优于K-NN(81.69%)、PNN(80.68%)和DT(71.19%)等分类器,表明该方法有望成为一种有效、实用的乳腺癌预后状态预测和治疗效果客观评价的工具.     

基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较

运动想象脑电特征快速准确提取是脑-机接口技术研究的重要问题.本研究分别讨论了共同空间模式(common spatial pattern, CSP)与小波包分析关于左右手运动想象特征提取的原理,并对两种方法进行了比较.对于GRAZ大学提供的运动想象脑电数据,使用CSP 与支持向量机(support vector machine, SVM)结合的分类正确率最高为85.5%;使用小波包分析与SVM结合的分类正确率最高为99%.同时对于本实验室采用Emotiv epoc+ 系统采集的运动想象脑电数据,利用小波包分析与 SVM结合的分类正确率也保持在98%以上.实验结果表明,相较于CSP算法,小波包分析对于运动想象特征提取的效果更好.