基于改进的多层降噪自编码算法临床分类诊断研究

• 作者: 王惠玲 王高华 肖玲 胡帅 袁志勇
• 来源期刊: 计算机应用研究
• 关键词: 深度学习 多层降噪自编码 元代价 分类诊断 代价敏感 不均衡
• 年，卷（期）: 2015,（5）
• 所属期刊栏目: 系统应用开发
• 页码范围: 1417-1420
• 页数: 4页
• 分类号: TP202
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2015.05.034

摘要

针对临床分类诊断中普遍存在的样本不均衡、错分代价不同、大量无标签样本和测量误差等特点，引入了机器学习中较新的研究成果———多层降噪自编码（stacked denoising autoencoders，SDA）神经网络，并与欠采样局部更新的元代价（metacost）算法相结合，对 SDA 神经网络进行了改进，使组合模型具有代价敏感、降低不均衡性、有效利用无标签样本、抗噪声的特性。实验中将改进的 SDA 神经网络与 SOFTMAX 回归、反向传播（back propagation，BP）神经网络、支持向量机（support vector machine，SVM）、传统多层自编码（stacked autoencoders， SAE）神经网络，以及传统 SDA 神经网络等作了比较。实验结果表明，改进的 SDA 神经网络的准确率、ROC 曲线下面积等均优于其他模型，提高了分类模型的辅助诊断性能。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王高华		257	1823	19.0	31.0
2	王惠玲		135	837	14.0	20.0
3	肖玲		89	1528	20.0	37.0
4	袁志勇	武汉大学计算机学院	33	130	7.0	9.0
5	胡帅	武汉大学计算机学院	5	15	1.0	3.0