醫(yī)療健康數據特征學習模型研究.pdf

1、醫(yī)療領域大數據應用是國家大數據戰(zhàn)略布局中的一部分，同時也關系到全民健康的發(fā)展。醫(yī)療健康數據具有持續(xù)快速增長、多模態(tài)、復雜性等特點，其分析和應用面臨巨大的挑戰(zhàn)。如何及時準確地采集和獲取數據，如何高效地、可靠地在高速網絡環(huán)境中傳輸數字信息、圖像信息、語音信息，如何運用人工智能技術從醫(yī)療大數據中挖掘出有用的信息，開發(fā)出方便廣大醫(yī)務人員和民眾使用的智能化應用，是目前醫(yī)療數據應用和分析中面臨的主要挑戰(zhàn)。
　　針對從醫(yī)療健康數據中挖掘信息和開

2、發(fā)智能化應用相關問題，研究了多模態(tài)醫(yī)療健康數據特征表示學習相關內容，提出了幾種特征學習模型，應用于疾病風險評估中。針對如何為智能化醫(yī)療應用提供完善的大數據服務，提出了云端融合系統半實物仿真的方法。主要貢獻如下：
　　（1）在醫(yī)療文本特征學習方面，提出了基于卷積神經網絡的醫(yī)療文本特征學習模型。將深度學習文本分析技術應用于疾病風險評估應用中，文本數據特征表示采用深度學習方法，不同疾病特征的學習和提取使用相同的方法，實現了模型的通用性。

3、為了減少模型中文本數據特征對數據的強依賴性，增加了醫(yī)療專業(yè)人員設計的結構化特征，提出醫(yī)療文本數據特征與結構化數據特征融合的模型。實驗結果驗證了模型的有效性、通用性和穩(wěn)定性。
　?。?）在多維數據特征學習方面，提出張量卷積自編碼神經網絡模型。多維醫(yī)療影像數據，對于普通的圖像數據來說，其像素空間位置關系包含更多信息。在卷積自編碼神經網絡中使用張量計算，從向量空間應用延伸至張量空間應用。使用張量距離作為誤差函數，有效利用數據在張量空間的

4、位置特征。提出的模型用于肺部CT（Computed Tomography）圖像肺結節(jié)風險評估和相似結節(jié)檢索，驗證了模型的有效性。
　?。?）在時間序列數據特征學習方面，提出了多通道卷積自編碼神經網絡。分析疲勞和情感異常之間的聯系，定義了情緒疲勞的概念。使用提出的多通道卷積神經網絡學習ECG（Electroardiogram）數據特征，使用卷積自編碼神經網絡學習面部圖像數據特征，這兩種特征和采集的生理數據融合進行情緒疲勞檢測。建立多