智能决策支持系统在医疗领域应用案例分析-CBR_第1页
智能决策支持系统在医疗领域应用案例分析-CBR_第2页
智能决策支持系统在医疗领域应用案例分析-CBR_第3页
智能决策支持系统在医疗领域应用案例分析-CBR_第4页
智能决策支持系统在医疗领域应用案例分析-CBR_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

智能决策支持系统案例研究

——基于案例推理（CBR）在医疗领域的应用【注】：内容源自《CBR-RBR融合推理模型的构建及在医疗领域的应用》一文，作者：谢涛。CBR-RBR融合推理诊断模型：医疗诊断过程：1总览IDSS处理过程：1总览获取医疗病案数据，进行预处理。利用粗糙集理论对医疗病案数据进行特征属性约简。计算约简后的医疗病案数据的粗糙集属性重要度和信息增益值，综合加权后得到病案特征的权重。由训练病案数据建立基于K-D树的病案库，对测试病案数据进行CBR病案检索。对于相似度较高达到或超过设定的相似度阀值的测试病案,有理由认为病案库中最相似病案与其诊断结果是相同的，可直接将该最相似病案输出供医生诊断，转7；对于相似度较低低于设定的相似度阀值的测试病案，我们无法找到最相似的病案，所以使用RBR模块对其进行规则推理，转6。使用Bagging-C4.5决策树集成技术构建RBR推理模块，对相似度低于设定阀值的病案进行RBR推理诊断。输出推理结果。记录推理结果的诊断效果，并将有效的病案推理结果作为新的病案加入病案库，同时更新RBR模块的决策树规则。2相关理论CBRRBR含义Case-BasedReasoning，通过源案例指导目标案例求解。以相似度衡量。类似机器学习、神经网络。Rule-BasedReasoning，通过既定规则指导目标案例求解，规则是人为制定。类似专家系统。优点自组织、自学习知识容易获取应用广泛，使用门槛低概况性、一致性在细分领域有很好的性能提供推理依据缺点案例库难以改写推理过程无法解释依赖经验知识获取瓶颈无记忆规则的脆弱性2相关理论属性约简：在案例的特征属性中,存在冗余、无效的特征属性，特征属性约简方法就是要去除这些特征属性。案例特征权重：在案例推理过程中，需要比较案例之间的相似度。案例中的各个特征属性与案例的关联度、对案例分类的有效性等都有所不同，反映出各特征属性对案例的“优劣”程度的区别。2相关理论案例检索：基于相似度的检索CBR案例检索通常使用基于相似度的方法，从案例库中检索和匹配得到与目标案例最相似的案例。基于K-D树的检索K-D树是一种基于案例空间分解的树型数据结构，它拥有同二叉树类似的结构,因而同样具有结构简单、存储和搜索效率高的特点，是一种高效的适用于多维空间的数据索引结构，非常适合用于案例库的案例存储和案例检索。2相关理论推理方法：基于产生式规则

直接将专家经验与知识转化成“IF-THEN”规则。多分类器集成人们在大量的实验中发现，如果将多个分类器的分类结果进行结合,其性能往往比单个分类器更好。集群优化推理注重的是基学习器在组合后的准确性，而非开始时各个基学习器的准确性。基于决策树通过对样本数据进行处理，使用归纳算法生成规则，并能够以内部节点和分枝这类树状结构存储和表示规则：ID3、C4.5算法等。3系统建模数据预处理病案特征筛选病案检索集成优化推理

人人文库> 全部分类> 专业文献 > 医学资料

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论