亚州av无码乱码在线观看,2025免费a片在线观看

主要研究內(nèi)容與特色： (1) 利用文本挖掘和專家經(jīng)驗構(gòu)建機器學(xué)習(xí)關(guān)鍵問題分析框架，總結(jié)機器學(xué)習(xí)在醫(yī)療大數(shù)據(jù)挖掘中面臨的若干關(guān)鍵問題。 (2) 利用簡約核構(gòu)建面向不完整視角問題的高效機器學(xué)習(xí)方法。 (3) 利用非對稱損失函數(shù)構(gòu)建面向類別不平衡問題的機器學(xué)習(xí)與深度學(xué)習(xí)方法。讀者對象：從事人工智能、機器學(xué)習(xí)、醫(yī)療大數(shù)據(jù)分析方向的學(xué)術(shù)界與工業(yè)界的相關(guān)人士。（4）圍繞不完整視角與類別不平衡這兩個關(guān)鍵問題展開深入研究，有效提升了醫(yī)學(xué)診斷的決策效率。

隨著計算機技術(shù)的飛速發(fā)展，醫(yī)療信息的規(guī)模性和豐富性顯著增強，機器學(xué)習(xí)成為賦能醫(yī)療大數(shù)據(jù)的核心技術(shù)。但不可否認的是，基于機器學(xué)習(xí)的醫(yī)療大數(shù)據(jù)挖掘仍然面臨諸多挑戰(zhàn)。本書從實際出發(fā)，研究機器學(xué)習(xí)在醫(yī)療大數(shù)據(jù)挖掘中的問題與方法，一方面希望所研究成果豐富并完善相應(yīng)領(lǐng)域的理論研究與方法體系，另一方面希望能在實際的醫(yī)療大數(shù)據(jù)挖掘中得到有效應(yīng)用，為醫(yī)學(xué)工作者提供有效的輔助診斷工具，有助于疾病的早預(yù)防、早發(fā)現(xiàn)、早治療，提升臨床決策的效率。大量實驗證實本研究能夠快速、準確地完成醫(yī)療大數(shù)據(jù)的分析任務(wù)，但這并不意味著機器學(xué)習(xí)能夠取代醫(yī)學(xué)專家的地位。嚴格來說，兩者相輔相成。首先，在數(shù)據(jù)的準備階段，需要依賴專家的經(jīng)驗對數(shù)據(jù)進行標注；其次，在模型的構(gòu)建階段，融入專家的經(jīng)驗知識有望取得比現(xiàn)有方法更優(yōu)的性能；最后，在決策階段，模型得到的預(yù)測結(jié)果需要經(jīng)過專家的解釋和認可才能用于臨床實踐。
本書具體內(nèi)容設(shè)置如下：首先提出一個結(jié)合文本挖掘與專家經(jīng)驗的機器學(xué)習(xí)問題分析框架，利用該框架詳細分析并討論醫(yī)療大數(shù)據(jù)挖掘的研究現(xiàn)狀，總結(jié)機器學(xué)習(xí)在醫(yī)療大數(shù)據(jù)中面臨的關(guān)鍵問題，然后對這些機器學(xué)習(xí)問題和相應(yīng)的機器學(xué)習(xí)方法進行描述，并針對多視角學(xué)習(xí)和類別不平衡學(xué)習(xí)深入研究。
在此基礎(chǔ)之上，未來的研究可從以下幾個方面展開。
（1）優(yōu)化算法角度：本書使用的數(shù)據(jù)體量有限，隨著醫(yī)療數(shù)據(jù)維度和規(guī)模的爆炸式增長，設(shè)計針對高維以及大規(guī)模問題的有效求解算法具有迫切的現(xiàn)實意義。
（2）模型推廣角度：本書面向分類任務(wù)構(gòu)建模型，未來可考慮將任務(wù)推廣至回歸或聚類任務(wù)中。另外，可將模型與其他學(xué)習(xí)范式結(jié)合，如多標簽學(xué)習(xí)、多示例學(xué)習(xí)、偏標記學(xué)習(xí)等，旨在提升模型解決復(fù)雜問題的能力。
（3）拓廣應(yīng)用角度：本書主要為機器學(xué)習(xí)在醫(yī)療大數(shù)據(jù)挖掘中面臨的不完整視角問題與類別不平衡問題提供解決方案。事實上，該領(lǐng)域還存在諸多亟待解決的問題，如數(shù)據(jù)標注問題、隱私問題等。根據(jù)這些問題的特性設(shè)計不同的模型和算法將有助于完善機器學(xué)習(xí)在醫(yī)療大數(shù)據(jù)挖掘中的理論與應(yīng)用。
（4）法律監(jiān)管角度：機器學(xué)習(xí)作為人工智能的核心技術(shù)，是目前各行各業(yè)最炙手可熱的賽道，醫(yī)療領(lǐng)域自然也不例外。但由于醫(yī)療數(shù)據(jù)與人類生命健康密切相關(guān)，任何技術(shù)的誤用或濫用都可能導(dǎo)致無法挽回的損失�；诖耍鞔_并制定機器學(xué)習(xí)在醫(yī)療大數(shù)據(jù)挖掘中的法律規(guī)范、責(zé)任歸屬以及操作標準將成為該領(lǐng)域長足發(fā)展的必要條件。
本書可作為機器學(xué)習(xí)領(lǐng)域研究生的擴充閱讀資料，也可供醫(yī)療大數(shù)據(jù)領(lǐng)域正在進行理論研究和應(yīng)用研究的讀者參考。本書得到北京郵電大學(xué)經(jīng)濟管理學(xué)院、中國科學(xué)院大學(xué)經(jīng)濟與管理學(xué)院、中國科學(xué)院虛擬經(jīng)濟與數(shù)據(jù)科學(xué)研究中心、中國科學(xué)院大數(shù)據(jù)挖掘與知識管理重點實驗室等單位的支持，以及國家自然科學(xué)基金（項目編號：12071458，71901179）及北京郵電大學(xué)中央高�；究蒲袠I(yè)務(wù)專項基金（項目編號：2023RC10）的資助，在此一并感謝！
由于著者水平有限，書中難免有不妥之處，懇請讀者批評指正。

著　者
2023年6月

第1章　醫(yī)療大數(shù)據(jù)挖掘 1
1.1?醫(yī)療大數(shù)據(jù) 1
1.2　醫(yī)療大數(shù)據(jù)文獻分析 4
1.2.1　數(shù)據(jù)準備 4
1.2.2　文本挖掘 5
1.2.3　專家經(jīng)驗 5
1.3　挖掘現(xiàn)狀與關(guān)鍵問題 10
1.3.1　醫(yī)學(xué)圖像分類 10
1.3.2　醫(yī)學(xué)圖像檢測 17
1.3.3　醫(yī)學(xué)圖像分割 20
1.3.4　醫(yī)學(xué)圖像生成 23
1.3.5　關(guān)鍵問題 25
第2章　機器學(xué)習(xí)問題 28
2.1　二分類問題 28
2.2　多分類問題 29
2.3　多標簽分類問題 30
2.4　多視角分類問題 31
2.5　多示例分類問題 31
2.6　多任務(wù)分類問題 33
2.7　遷移學(xué)習(xí)問題 34
2.8　弱監(jiān)督分類問題 34
2.9　數(shù)據(jù)生成問題 35
第3章　機器學(xué)習(xí)方法 37
3.1　傳統(tǒng)機器學(xué)習(xí)方法 37
3.1.1　k近鄰 37
3.1.2　樸素貝葉斯 38
3.1.3　決策樹 40
3.1.4　隨機森林 41
3.1.5　自適應(yīng)增強 41
3.1.6　支持向量機 42
3.2　深度學(xué)習(xí)方法 44
3.2.1　CNN 44
3.2.2　RNN 46
3.2.3　GAN 46
第4章　多視角學(xué)習(xí) 48
4.1　多視角學(xué)習(xí)方法 48
4.1.1　基于完整視角的學(xué)習(xí)方法 48
4.1.2　基于不完整視角的學(xué)習(xí)方法 50
4.2　基礎(chǔ)模型 53
4.2.1　RSVM 53
4.2.2　PSVM-2V 54
4.3　RPSVM-2V 55
4.4　理論分析 58
4.5　拓展模型 60
4.5.1　RSVM-2K 60
4.5.2　RMKL 62
4.6　實驗分析 64
4.6.1　實驗設(shè)置 64
4.6.2　實驗結(jié)果 65
4.6.3　參數(shù)敏感性分析 71
4.6.4　譜分析 74
第5章　類別不平衡學(xué)習(xí)（一） 77
5.1　類別不平衡學(xué)習(xí)方法 77
5.1.1　采樣 77
5.1.2　代價敏感學(xué)習(xí) 78
5.1.3　集成學(xué)習(xí) 79
5.2　DEC 81
5.3　修正Stein損失函數(shù) 81
5.4　CSMS 83
5.5　理論分析 86
5.6　模型優(yōu)化 86
5.7　實驗分析 88
5.7.1　實驗設(shè)置 88
5.7.2　實驗結(jié)果 89
5.7.3　參數(shù)敏感性分析 93
5.7.4　收斂性分析 93
第6章　類別不平衡學(xué)習(xí)（二） 98
6.1　v-SVM 98
6.2　LINEX損失函數(shù) 99
6.3　v-CSSVM 99
6.4　理論分析 101
6.5　模型優(yōu)化 102
6.5.1　ADMM 102
6.5.2　GD 104
6.6　實驗分析 105
6.6.1　實驗設(shè)置 105
6.6.2　實驗結(jié)果 106
6.6.3　參數(shù)敏感性分析 109
6.6.4　收斂性分析 110
第7章　類別不平衡學(xué)習(xí)（三） 113
7.1　深度學(xué)習(xí)中的類別不平衡損失函數(shù) 113
7.1.1　WCE 114
7.1.2　FL 114
7.1.3　其他 115
7.2　深度LINEX損失函數(shù) 116
7.2.1　BC-LINEX 116
7.2.2　MC-LINEX 117
7.2.3　損失函數(shù)比較 119
7.3　模型優(yōu)化 120
7.3.1　BC-LINEX權(quán)重更新 120
7.3.2　MC-LINEX權(quán)重更新 121
7.4　實驗分析 122
7.4.1　實驗設(shè)置 122
7.4.2　實驗結(jié)果 125
7.4.3　參數(shù)敏感性分析 130
附錄A 132
A.1　定理4.1證明 132
A.2　定理4.2證明 132
A.3　第4章附表 135
附錄B 148
B.1　第5章附表 148
附錄C 150
C.1　定理6.1證明 150
C.2　第6章附表 152
參考文獻 155

你還可能感興趣

我要評論