基于CT定量比较两种算法对慢性阻塞性肺疾病危重程度的分级

目的基于CT定量分析比较C5.0决策树模型和TAN贝叶斯网络模型对慢性阻塞性肺疾病(chronic obstructive pulmonary disease, COPD)危重程度分类预测的正确率。方法回顾性收集2015年3月至2017年9月"数字肺"数据库中心COPD患者的CT扫描图像与肺功能测试结果,按《2018年慢性肺疾病诊断、治疗及预防全球策略》诊断标准,将患者分为4级。利用"数字肺"自动分析平台得到所有患者肺实质及支气管的相关指标。以肺功能分级为参照,建立C5.0决策树模型和TAN贝叶斯网络模型,比较2个模型对COPD分级的正确率。结果 C5.0的决策树模型训练样本和测试样本的正确率分别为90.76%和63.63%,TAN贝叶斯网络模型训练样本和测试样本的正确率分别为83.19%和52.73%。结论基于CT定量分析,应用C5.0决策树模型能更好地预测COPD疾病的危重程度。

基于改进离散Hopfeild神经网络的医疗专家诊断系统

针对医疗服务行业中病情诊断工作的重复低效问题,运用朴素贝叶斯网络、离散型Hopfeild神经网络两种算法,以失眠病症为代表构建智能病症诊判系统模拟医疗自主诊断。为避免因自变量波动造成网络结构出现过学习现象,降低因离散型整数目标数据所导致的各指标间低线性关系影响,对有监督算法进行了结合优化,提出了一种基于贝叶斯网络理论下的离散Hopfeild神经网络算法,降低网络结构的复杂性,降低模型对数据关联的敏感度,有效避免了网络过拟合的缺陷。Matlab仿真结果表明,基于贝叶斯网络优化下的离散型Hopfeild神经网络算法的误判率相比Hopfeild神经网络算法平均减少了12%,可建立可靠诊断机制,推动医疗行业的智能化发展。