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BP神经网络的脑血管疾病院内感染风险预测模型研究

目的 采用BP神经网络构建脑血管疾病院内感染预测模型,对患者发生院内感染的风险作出评判,加强脑血管疾病院内感染防控管理.方法 收集整理桂林市中医医院2014年脑病科892例患者院内感染数据,采用主成分分析法选取具有代表性的指标并予以赋值,依指标集构建基于BP神经网络的脑血管疾病院内感染风险评估模型,通过一定数量样本的训练和测试,以检验模型可靠性和准确性.结果 选取200例患者作为样本对神经网络进行测试,未发生院内感染病例预测准确174例,准确率89.2%;发生院内感染病例预测准确5例,准确率100%.结论 BP神经网络风险评估模型对预防脑血管疾病院内感染有着积极的意义,可较好的提前预测院内感染发生风险,为感染防控提供有效的依据.     

轻度认知功能障碍患者预后情况的评估预测模型

目的 通过数学方法建立轻度认知功能障碍患者24个月预后的判别评估模型.方法 通过对152例轻度认知功能障碍患者的27项临床指标的分析,分别运用贝叶斯判别分析、决策树、BP神经网络、模糊C均值聚类及K均值聚类进行评估预测,选择准确率较高的判别模型.结果 通过差异性检验,根据P＜0.01共筛选出6项指标,建立5种评估预测模型,经过100次随机抽样诊断模拟,得到贝叶斯判别分析在轻度认知功能障碍患者预后评估的平均正确率达74.86％,最高正确率达到84.21％.结论 本研究建立的数学模型能提高轻度认知功能障碍患者24个月预后的评估准确率.     

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。     

数据挖掘技术在肝癌术后预测分析中的应用初探

目的：考察数据挖掘技术对肝癌患者术后预测的效果。方法：采用数据挖掘技术中的神经网络方法在SAS软件上构建神经网络模型。利用该模型分析我校东方肝胆外科医院1990年1月1日入院至1995年12月31日出院的1457例肝癌患者的临床资料，检测其对肝癌患者术后复发的预测准确率。结果：从56个指标中筛选出有统计学意义的11个指标进入模型，经适当训练后在验证集和测试集上预测准确率均在80％以上。结论：数据挖掘技术可应用于肝癌术后预测分析，效果较为理想。在应用数据掺掘技术时应采用较大样本，同时还应根据资料类型选用适当的方法，反复尝试。     

融合影像、神经认知评价和生物标志等多模态数据预测阿尔兹海默症进展阶段及转化

目的：研究如何整合并优化影像、神经认知评价和生物标志测量等多来源多模态数据以提高阿尔兹海默症（Alzheimer disease,AD）发展阶段和转化的分类预测准确率。方法：基于阿尔兹海默症影像计划（Alzheimer’s disease neuroimaging initiative,ADNI）2004—2018年4个阶段的样本数据,包括从核磁共振成像（magnetic resonance imaging,MRI）影像数据提取的脑图像特征数据、神经认知量表（简易精神状态测量量表和ADAS?Cog13量表）数据、生物标志测量数据（Abeta、Tau和p?Tau蛋白及ApoE4基因型）。基于783个样本的基线数据建立二分类和多分类Logistic回归模型用于疾病发展阶段的两两和同时分类预测。基于具有轻度认知障碍（mild cognitive impairment,MCI）状态的352个样本的纵向数据建立二分类Logistic回归模型并用于转化状态的分类预测。将脑图像特征变量、量表数据和生物标志加入到基准模型中,通过交叉验证方法随机划分数据集,并计算准确率、查准率、召回率、F1得分和ROC曲线下面积（area under curve,AUC）等指标进行综合比较,得到最优多模态组合的分类预测模型。结果：对于AD发展阶段的分类,结合脑图像特征数据、量表数据和生物标志数据建立二分类Logistic模型表现最佳,区分AD组和正常组、MCI组和正常组以及AD组和MCI组的准确率分别达到了100.00%、77.18%和89.58%;AUC值分别为100.00%、85.52%和96.39%,比仅用脑图像数据进行进展阶段的分类预测有显著提高。对于MCI是否转化的分类预测,脑图像特征数据结合量表数据和生物标志能最大限度地提高准确率,从86.69%提高到90%以上;相应的AUC值从89.21%提高到94.06%。结论：结合多来源数据能提高AD疾病进展阶段和转化的分类预测准确率,为临床诊断AD所处的发展阶段和转化提供理论上的支持。     

基于深度LSTM神经网络的在线消费评论情感分类研究

目的：探索深度神经网络在情感分类方面的应用。方法：采用长短型记忆神经网络构造在线消费评论情感的分类器,对收集的消费评论进行二分类的情感分析。结果：LSTM模型的准确率为89.29%,优于实验对照SVM模型的86.10%,深度神经网络模型在本文的情感分类中的准确率较高。结论：使用深度神经网络对消费评论的情感进行分类,可减少人工特征的干预,提高在线消费评论情感分类的效率。     

基于机器学习的重症股骨颈骨折患者死亡风险预测模型构建和验证

目的采用机器学习方法,构建重症股骨颈患者院内死亡预测模型,辅助临床医生尽早进行临床决策。方法使用公开数据库——重症监护医疗信息市场(Medical Information Mart for Intensive Care, MIMIC)Ⅲ中入住ICU的股骨颈骨折患者信息进行回顾性分析。采用SMOTE算法平衡数据集后,按7：3随机划分训练集和验证集。以患者发生院内死亡作为结局,分别构建随机森林、XGBoost和BP神经网络预测模型。模型性能通过受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUROC)、准确率、精确率、灵敏度和特异度进行评估,并与传统Logistic模型对比验证模型的预测价值。结果共纳入366例股骨颈骨折患者,其中院内死亡48例。按死亡组：生存组=1：1平衡数据集后共获得636例患者数据。3种机器学习模型具有较高的预测准确性,随机森林、XGBoost和BP神经网络的AUC分别为0.98、0,97和0.95,预测性能均高于传统Logistic回归模型。对特征变量重要性进行排序,得到对预测患者院内死亡风险有意义的前10个特征变量为: 维生素D、乳酸脱氢酶、肌酐、SAPSⅡ评分、血清钙、入住ICU时长、白细胞、年龄、BMI和肌酸激酶。结论使用机器学习构建的死亡风险评估模型对预测重症患者的院内死亡有着积极的意义,并为减少院内死亡,改善患者预后提供有效的依据。     

虚拟现实技术在阿尔茨海默病患者认知功能评估中的应用进展

随着人口老龄化,阿尔茨海默病（Alzheimer''s disease,AD）等神经退行性疾病的发病率逐年攀升。认知功能损害和神经精神行为异常是AD的典型症状。认知功能损害主要表现为记忆力、逻辑思维能力、语言能力、执行能力和注意力下降;神经精神行为症状主要包括抑郁、欣快、淡漠等。以上症状可严重影响患者日常生活能力和生活质量。目前AD是无法治愈的,因此早发现、早诊断、早治疗对延缓患者病程的进展、提高患者生活质量、减少照料者和社会的负担有重要意义。目前针对AD的认知评估主要通过神经心理量表测试,但该方法有许多弊端。本文重点介绍基于虚拟现实技术（virtual reality,VR）认知评估的最新进展,旨在为家庭或临床环境提供更可靠的诊断。     

糖尿病足患者预后预测相关模型研究

目的：比较BP神经网络模型（backpropagation,BP）、遗传算法优化的BP神经网络模型（BPneuralnetworkmodeltrainedwithgeneticalgorithm,GA-BP）、COX比例风险模型在糖尿病足患者截肢及生存预后的预测效果,选择最优预测模型。方法：收集重庆医科大学附属第一医院2014年1月至2016年1月收治的273例糖尿病足患者住院资料,采用电话随访的形式对患者随访至2016年12月。建立BP神经网络模型、遗传算法优化的BP神经网络模型、COX比例风险模型,以ROC曲线下面积大小,灵敏度、特异度等值判断3种模型在糖尿病足患者截肢及生存预后中的预测效果。结果：结局分别为截肢及死亡时,BP神经网络模型（截肢：χ2=7.692,P=0.005;死亡：χ2=12.071,P=0.000）和遗传算法优化的BP神经网络模型（截肢：χ2=10.083,P=0.001;死亡：χ2=12.071,P=0.000）的预测性能均优于COX比例风险模型,而BP神经网络模型和遗传算法优化的BP神经网络模型的预测结果间差异均无统计学意义（截肢：χ2=0.200,P=1.000;死亡：χ2=0.000,P=1.000）。结论：BP神经网络模型及遗传算法优化的BP神经网络模型均可应用于糖尿病足等慢性疾病的生存预后分析。     

遗传算法优化BP神经网络的老年痴呆症智能诊断

为了提高BP神经网络对疾病诊断的效率和预测准确率,提出一种遗传算法优化BP神经网络的老年痴呆症智能诊断模型,并以医院电子病历数据挖掘为例,对老年痴呆症诊断建立预测模型。该方法首先利用遗传算法的搜索寻优技术进行特征约简,然后将约简后的特征作为BP神经网络的输入变量,训练和构建BP神经网络模型。仿真实验在Matlab软件平台上进行,结果表明：与单BP神经网络相比,遗传算法优化BP神经网络能够降低模型训练时间、提高预测精度,是一种切实可行的老年痴呆症辅助诊断方法。     

机器学习在调强放疗计划剂量验证中的作用

目的：探讨机器学习对调强放疗计划剂量验证中的作用。方法：选取2019年3月至2020年8月在温州医科大学附属第一医院接受双弧容积调强放射治疗（VMAT）的141例患者，提取调强计划的13个复杂度参数并收集不同条件下的伽玛通过率（GPR），将数据按照7:3随机划分为训练集与测试集。通过Pearson相关性分析和套索回归（LASSO）筛选参数，利用支持向量机的机器学习方法进行建模，对GPR分别进行数值和分类预测。均方根误差（RMSE）和平均绝对误差（MAE）用来评估模型数值预测的准确性，曲线下面积（AUC）用来评估模型分类的准确性。结果：在GPR数值预测中，在3%/3 mm、3%/2 mm、2%/2 mm条件下，测试集中RMSE分别为2.22、3.51、4.59；MAE分别为1.56、2.68、3.67。在GPR分类预测中，在3%/3 mm、3%/2 mm、2%/2 mm条件下测试集的AUC结果分别0.79、0.78、0.77。结论：基于机器学习对调强放疗计划进行剂量验证具有一定的临床应用价值，为质量保证提供了一种新思路。     

基于深度学习特征的乳腺肿瘤分类模型评估

目的本文结合深度学习特征（DF）和传统图像特征（HCF）特点,利用多分类器融合的方法建立一个乳腺肿瘤分类模型,并 深入评估和分析不同深度学习网络特征的肿瘤分类性能。方法回顾性分析106例乳腺肿瘤患者的头尾位和内外倾斜位投影 的全数字乳腺成像数据。首先从肿瘤区域提取23维HCF（12维形态及11维纹理特征）,用t检验进行显著性特征选择;然后分别 从3 个卷积神经网络模型提取不同维度DF,在实验中,3 个不同深度学习网络产生了相应DF,分别是AlexNet,VGG16 和 GoogLeNet;最后结合2个投影数据的DF和HCF,采用多分类器的融合模型对特征进行训练和测试,实验重点分析不同DF在 肿瘤分类上的性能。结果结合DF和HCF建立的分类模型比使用单独HCF的分类模型表现出更好的性能;相比于其它网络框 架,DFAlexNet和HCF的结合表现出更高精度的分类结果。结论结合DF和HCF的特征方法建立一个分类模型,对于良恶性乳腺 肿瘤具有优秀的鉴别能力,且泛化能力更强,能作为临床辅助诊断工具。     

计算机化神经认知评估工具预测老年患者早期术后认知功能障碍的价值

目的 探讨计算机化神经认知评估工具预测老年患者早期术后认知功能障碍(POCD)的价值。方法 选择2021年7月至2022年7月安徽医科大学第二附属医院骨科行初次单侧髋关节置换的65～85岁患者70例，于术前1 d和术后一周进行神经心理学测试和计算机化测试。神经心理学的测试内容包括简易智力量表(MMSE)、修订韦氏记忆量表和连线测试。计算机化神经认知评估工具主要包括诱饵辨别指数(LDI)和识别记忆分数(REC)。根据Z计分法判定是否发生POCD,进一步将患者分为POCD组(n=16)和非POCD组(n=54),借助受试者工作特征曲线(ROC)分析LDI和REC值预测及筛查早期POCD的效能。结果 POCD组术前术后LDI均明显低于非POCD组(P<0.05),POCD组术后REC明显低于非POCD组(P<0.05)。POCD组术前计算机化神经认知评估工具诊断的准确率为67.2%,截断值为0.1567,敏感度为87.5%,特异度为44.4%,约登指数为0.319;POCD组术后计算机化神经认知评估工具诊断的准确率为69.8%,截断值为0.0917,敏感度为81.3%,特异度为5...     

基于改进的BP神经网络的糖尿病肾病中医证候非线性建模研究

目的建立基于人工神经网络的糖尿病肾病(DN)证候诊断模型。方法基于MATLAB 7.0环境,采用改进的共轭梯度(trainscg)学习算法,建立DN证候三层前向BP网络模型,并用3倍交叉法验证该模型的诊断价值。结果DN证候神经网络模型预测DN证候的平均单证特异性为81.32%,平均单证准确率为96.25%,平均诊断准确率为92.21%。结论DN证候BP神经网络模型具有很好的诊断、预测能力,人工神经网络技术是中医证候非线性建模的可行性方法。     

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。     

BP神经网络和 Cox比例风险模型在生存分析应用中的比较

目的：比较BP神经网络模型和Cox比例风险模型在生存分析中的预测性能,进一步探讨BP神经网络模型在生存分析中的应用。方法：采用Monte Carlo 模拟数据集,如不同样本量、不同删失比例、不同协变量间关系及是否满足等比例风险假定的理论研究和胃癌根治术患者预后预测的实例分析,分别建立BP神经网络模型和Cox比例风险模型,最终使用一致性指数C对其预测性能进行比较。结果：当样本量为100、删失比例为60％、80％及样本量为300、删失比例为80％时,BP神经网络模型的预测性能高于Cox比例风险模型（P＜0．05）。协变量不满足等比例风险假定、协变量间存在三维交互作用和非线性关系时,BP神经网络模型的预测性能较Cox比例风险模型好（P＜0．05）。实例研究中发现,BP神经网络模型预测的一致性指数C（0．835）高于Cox比例风险模型（t配对＝4．311,P＜0．001）。结论：BP神经网络模型在生存分析的应用中对样本删失比例、是否满足PH假定、协变量间复杂交互作用和非线性关系具有非特异性,对资料限制较少,且预测一致性高,值得在生存分析中进一步推广应用。     

基于遗传算法优化的BP神经网络大肠癌证型分类

针对医学领域传统BP神经网络应用于诊断辅助构建模型过程存在的疾病输入特征维数繁多而导致网络训练时间长、效率低、诊断模型泛化能力弱等问题,提出了将基于遗传算法降维优化的BP神经网络（GABP）诊断模型用于大肠癌虚实证型的分类研究。利用遗传优化算法从大肠癌的28项体征输入指标中筛选出的10个指标作为GABP诊断模型的输入,并与传统的未经优化的BP诊断模型进行对比,发现优化后的神经网络模型建模所需时间由5.1844秒缩短至0.1976秒,虚证正判率由76.4567%提升至89.1809%,实证正判率由64.8441%提升至70.1170%。仿真结果表明,基于GABP的神经网络泛化能力更好,分类效果更佳,为大肠癌中医证型的临床判别提供了很好的计算机网络模型。     

基于Levenberg-Marquardt算法的胃脘痛BP神经网络辨证模型研究

目的:本文提出了一种基于Levenberg-Marquardt算法的用于胃脘痛的BP神经网络辨证模型,用于提高胃脘痛智能辨证的准确率。方法:以"中医数字化诊疗平台"的门诊临床电子病历数据作为数据集,采用Matlab作为模型仿真平台,运用Levenberg-Marquardt算法构建了胃脘痛中医智能辨证的双隐含层BP神经网络模型。结果:实验结果显示,网络模型预测"肝胃不和"和"胃阳虚"的证型准确率和诊断准确率非常高,都在95%以上。结论:该智能辨证模型能有效利用BP神经网络的自主学习能力,充分逼近中医辨证的真实面貌,表现出优秀的辨证预测能力。而且,每天在"中医数字化诊疗平台"中都有新的中医临床真实数据上传,若利用这些数据完善该智能辨证模型,有望推动中医智能辨证在中医临床辅助诊断中大规模应用。     

神经网络预测股骨颈骨折术后并发症的价值

目的应用神经网络建立股骨颈骨折术后股骨头坏死预测模型,并与Logistic回归预测模型进行比较,探讨其临床应用价值。方法收集了2013年3月—2017年1月在上海市3家医院行内固定治疗的378例新鲜股骨颈骨折患者,按4：1划分为训练集和测试集,使用SPSS 20.0分别建立Logistic回归模型、MLP神经网络模型以及RBF神经网络模型,比较3种模型的预测性能。结果多因素分析结果显示,VAS评分、Garden分型、完全负重时间、受伤至手术时长、BMI、术后错位程度、取不取内固定、Charlson合并症指数（Charlson comorbidity index, CCI）均与股骨颈骨折术后股骨头坏死预后相关。MLP神经网络模型训练集和测试集的AUC为0.940、0.923;Logistic回归模型训练集和测试集的AUC为0.850、0.834;RBF神经网络模型训练集和测试集的AUC为0.809、0.788。所有预测变量中,变量重要性排名依次为VAS评分、Garden分型、CCI、BMI、完全负重时间、取不取内固定、受伤至手术时长、术后错位程度。结论MLP神经网络在预测股骨颈骨折术后股骨头坏死方面的预测效能高于Logistic回归,具有较好的应用前景。