一种适用于计算机辅助医疗诊断的预测建模方法

摘要

本发明公开了一种适用于计算机辅助医疗诊断的预测建模方法，包括通过医学症状检测设备获取待诊对象的症状形成症状向量，经预测模型处理，即可得到预测结果，该方法包括以下步骤：(1)若预测模型未训练好，则执行步骤(2)，否则转到步骤(6)；(2)利用历史病例产生初始训练数据集；(3)利用初始训练数据集训练出一个神经网络集成；(4)利用神经网络集成对初始训练数据集进行处理以产生规则训练数据集；(5)利用规则学技术从规则训练数据集中产生规则模型；(6)利用规则模型进行预测并给出结果及解释。本发明的优点是为计算机辅助医疗诊断装置提供了一种高精度、高可理解性的预测建模方法。

主权项

1、一种适用于计算机辅助医疗诊断的预测建模方法，包括通过医学症状检测设备获取待诊对象的症状，然后将症状进行量化得到症状向量[t1，t2，…，tn]，其中tn表示第n个症状值，症状向量交给预测模型处理，即可得到预测结果及解释的数字化表示形式，其特征是该方法包括以下步骤：(1)若预测模型未训练好，则执行步骤(2)，否则转到步骤(6)；(2)利用历史病例产生初始训练数据集；(3)利用初始训练数据集训练出一个神经网络集成；(4)利用可重复采样技术生成的神经网络集成对初始训练数据集进行处理以产生规则训练数据集；(5)利用规则学习技术从规则训练数据集中产生规则模型；(6)利用规则模型进行预测并给出结果及解释；(7)结束；在(4)中，利用神经网络集成产生用于建立规则模型的规则训练数据集L1的步骤是：(4.1)将L1置为空集；(4.2)从初始训练数据集L0中获取一个症状向量及其类别；(4.3)为每个类别分别设置一个计数器，用来记录神经网络给出的同类别预测结果的数目；(4.4)将所有计数器清零；(4.5)将控制参数k置为1，k是一个大于等于1但小于等于神经网络集成中神经网络的个数N；(4.6)取得神经网络集成中第k个神经网络对待诊症状向量给出的预测结果Fk；(4.7)将Fk所对应的类别的计数器加1；(4.8)将k加1；(4.9)判断k是否小于等于神经网络集成中神经网络的个数N，如果是则表明还有其他神经网络尚未考察，转到步骤(4.6)；否则执行步骤(4.10)；(4.10)对所有计数器中的值进行比较，找出值最大的计数器，并将其对应的类别作为当前症状向量的新类别；如果有多个计数器中的值均为最大值，则以这些计数器对应的类别中出现机会最大的疾病种类作为当前症状向量的新类别；(4.11)将当前症状向量及其新类别加入L1；(4.12)判断L0中是否还有未考察的症状向量，如果有则转到步骤(4.2)；否则进入步骤(4.13)；(4.13)结束。