CF患者肺组织分类——基于相关反馈的监督核哈希方法

现有的哈希方法用于CF患者肺组织分类时没有从正负反馈样本挖掘判别信息,分类精度不高.为此,提出一种基于相关反馈的监督核哈希方法.首先,对肺组织进行监督核哈希学习,得到初始哈希函数;其次,使用该初始哈希函数对肺组织进行哈希编码和分类,并得到正负反馈样本;接着,基于正负反馈样本构建新的哈希函数;最后,使用新构建的哈希函数对肺组织再次进行哈希编码和分类.实验结果表明,同现有方法相比,所提出的方法显著提高了CF患者肺组织的分类精度.

基于深度学习方法的慢性阻塞性肺疾病危重度分类研究

本文提出了一种基于深度学习方法的慢性阻塞性肺疾病危重程度自动分类算法,并以大样本临床数据为输入特征,分析各特征在分类中所占的权重。研究通过特征选择、模型训练、参数优化、模型测试,建立了基于深信度网络架构的分类预测模型,通过对2007年、2011年两个版本的慢性阻塞性肺疾病全球倡议组织(GOLD)危重程度标准进行自动分类与测试,分类准确率均达到90%以上。同时,通过分析模型系数矩阵得出输入特征的贡献度排序,并通过该排序发现,贡献度较大的输入特征与临床诊断先验知识之间存在较好的吻合性,证明了深信度网络分类模型的有效性。通过本文研究,期望能为深度学习方法在疾病诊断辅助决策中的应用提供有效解决方案。