理论与计算科学杂志
开放获取

抽象的

支持中心机医疗诊断系统分类与帮助方法

王泽峰、Laurent Peyrodie、曹华和 Samuel Boudet

目标：将一种有助于诊断和预后的新型人工智能方法“支持中心机器”（SCM）应用于医疗系统。方法在数据处理中，SCM在机器学习过程中寻找每个类的真实中心。对于医疗系统中的应用，它将这些中心作为健康状况模型，并将所有健康记录转换为地图。所有模型，例如非疾病和疾病，都在此图中进行了标记。因此，可以通过地图来监督患者健康记录的演变。系统根据最近记录数据到中心的距离的演化，估计健康演化的趋势，并预测未来可能出现的情况。结果：SCM 在“威斯康星州乳腺癌数据”上进行了测试，并与 LDA 和 SVM 方法进行了比较。找到了二十个中心来定义健康地图。从450个随机数据选择训练的测试结果来看，单片机表现出了较好的性能，其乳腺癌的正确检出率均值在91.4%到95.6%之间，对应于10%的数据和10%的数据。 90%的数据用来做机器学习。这些比率比 SVM 和 LDA 提高了 1% 到 5%。此外，与SVM和LDA相比，SCM结果的正确检测率方差降低了0.8%至3.0%。即使训练数据只有 10%，比例也保持在 87% 左右，且主成分只有 3 个。当系统使用50%的数据进行训练并测试其他数据时，比率的平均值为93%，最好为95%。
结论： SCM成功构建了疾病诊断/预后系统并绘制出健康图谱。它可以在 2D 或 3D 地图上显示健康记录，从而允许临床医生进行适当的解释。此外，如果出现新的情况（症状/疾病），医生可以根据现有的SCM图谱将其可视化并进行分析。