检索结果-南通市图书馆

检索条件"主题词=知识和数据双驱动检验AI系统"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

知识和数据双驱动的检验人工智能疾病诊断系统的构建

知识和数据双驱动的检验人工智能疾病诊断系统的构建

引用

作者：井杰中国人民解放军海军军医大学

学位级别：硕士

研究背景:近年来,人工智能（artificial intelligence,ai）技术在医学领域迅速发展,越来越多模拟医生诊断能力的医疗ai被开发,以期为患者提供更优质的医疗服务。然而,目前医疗ai系统在现实世界中的临床应用尚未普及。迄今为止,ai一共经... 详细信息

研究背景:近年来,人工智能（artificial intelligence,ai）技术在医学领域迅速发展,越来越多模拟医生诊断能力的医疗ai被开发,以期为患者提供更优质的医疗服务。然而,目前医疗ai系统在现实世界中的临床应用尚未普及。迄今为止,ai一共经历了两代发展。第一代ai是基于知识驱动ai模型,旨在模仿人类专家的推理和决策能力,其显著优点是输出结果具有可解释性。主要缺点是处理大数据时耗时耗力且计算成本高昂。第二代ai是以深度学习为代表的数据驱动ai模型。该类模型可从大量案例中自动提取规则,而无需专家知识的指导。其优点是具有大数据处理优势,可自动搜索和处理大量变量,从而可靠地对结果进行分类和预测。但输出结果缺乏可解释性是其面临的主要问题。因此,近几年ai学者提出了一个新的概念,即第三代ai,大体说来,是通过结合知识驱动和数据驱动方法的优势,构建更强大、兼具可解释性和鲁棒性的ai系统,推动ai的创新应用。检验医学是现代医学的重要组成部分,临床决策所需信息70%来自检验。检验项目涵盖临床化学、毒理学、血液学、免疫学以及微生物学等在内的数千项指标,为临床医生提供大量客观数据以支持临床决策。众所周知,糖尿病、癌症、内分泌、感染性以及遗传性疾病在内的大量常见病都需实验室检查确诊或协助确诊。然而,目前临床专科化发展趋势不可避免,临床医生只熟悉自己专科常用的检验项目,很容易忽视超出其专科知识范围的关键结果和重要参数。此外,随着检验医学的快速发展,检验项目越来越多。临床医生在疾病诊疗过程中,面临多个检验项目指标异常时,很难从异常检验数据中综合提取其对应的医学信息。由于疾病影响着机体的整体状态,许多异常检验数据之间隐藏着疾病的关键信息或重要趋势。然而,当众多检验指标发生异常时,即使是经验丰富的医生也很容易忽视其内在关系,从而造成疾病的漏诊或误诊。尽管综合分析检验数据的相互关联对临床病情判断具有深远意义,但这一过程涉及了复杂的逻辑推理和计算,给人脑分析带来了巨大的挑战。因此,通过ai技术开发基于实验室检查的可解释检验ai工具以挖掘检验数据中的隐藏价值,为提高实验室诊断价值提供了巨大的应用前景。研究目的:本研究的主要目的是运用知识图谱和ML算法对大量实验室检查数据和实验诊断数据进行训练和分析,建立一个由知识和数据双驱动的,兼具鲁棒性和可解释性的检验ai系统,其核心功能是准确诊断疾病并提供合理的解释。同时,开发集检验数据标准化、智能检验报告解读和智能疾病推荐为一体的多功能智慧检验平台,以便于检验ai系统运用于临床实践。研究方法:本课题所采用的研究方法如下所述:1.构建检验知识图谱。检验知识图谱的构建主要包括概念设计、知识构建、知识图谱应用和知识补充四个方面。2.数据预处理。数据预处理过程包括数据清洗、数据集成、特征标准化和特征变换。3.数据收集、研究人群和研究设计。以2020年1月1日为时间节点,2010年1月1日至2020年10月31日所有门诊和住院患者的合格参与者被分为回顾性队列和前瞻性队列。其中,回顾性队列以8:2的比例随机分为训练集和验证集。训练集用于训练和构建检验ai系统。前瞻性测试队列用于测试检验ai系统的疾病诊断性能。4.构建多标签疾病诊断系统。模拟医生对疾病诊断推理的全过程,本研究构建了基于不同器官系统的疾病诊断体系。首先,将诊断分为不同器官系统诊断。然后,每个器官系统内又进一步分为不同的疾病诊断。5.构建检验ai系统。采用了LR、XGBoost以及ANN三种ML算法分别构建三种检验ai系统数据驱动模型。基于检验知识图谱的知识驱动模型和基于ML算法的数据驱动模型的集成呈现了知识和数据双驱动检验ai系统的形式与内容。6.检验ai系统的网页应用与图形化展示。开发智慧检验平台,核心组件主要包括检验医师智能助手、临床检验数据中台、检验ai运行监测以及检验大数据看板在内的四大模块。7.数据分析。模型诊断效能的评价使用召回率（Recall）和平均精度均值（m AP）指标。研究结果:1.基线特征。2010年1月1日至2020年10月31日期间,所有门诊和住院患者共730,113名合格参与者被纳入临床研究。其中,训练集509,841人,验证集235,074人,测试队列69,101人。2.数据驱动模型。基于LR算法模型的检验ai系统预测疾病准确性（m AP=87.53%）要略优于ANN（m AP=86.83%）,强于XGBoost（m AP=84.41%）。因此,本研究选择LR算法构建检验ai系统的数据驱动模型。3.知识和数据双驱动检验ai系统的构建。检验ai系统由两个核心模型组成,即基于检验知识图谱的知识驱动ai模型和基于LR算法的数据驱动ai模型。本研究共建立了4,147种知识驱动ai模型和168种疾病的数据驱动ai模型。4.检验ai系统的工作

关键词：人工智能机器学习知识驱动ai模型数据驱动ai模型可解释人工智能知识和数据双驱动检验ai系统

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：