肿瘤类疾病的过度与错误医疗检查控制机制与模型的研究

• 作者: 朱诗生 柳学国 毛礼厅 汪昕蓉
• 来源期刊: 计算机应用研究
• 关键词: 错误医疗 机器学习 Spearman SVM_RFE SVM分类模型
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 系统应用开发
• 页码范围: 1428-1432
• 页数: 5页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.04.0267

摘要

针对当前肿瘤类疾病诊治过程中存在的错误与过度医疗问题,本研究基于医疗大数据提取出相似病案专家处方中的影像信息,利用机器学习分类模型提出了发现错误与过度诊治的检查控制机制与解决方案.该方案依托医院长期积累的各类肿瘤疾病病历中的CT、MRI图像,以每次诊疗过程中的实际肿瘤类型为依据,从医疗数据库中选择对应类型的影像数据进行特征提取、特征选择、模型构建,得到该类型肿瘤的预测分类器,预测当前病例的良恶性;并通过跟医生诊断结果的对比判断诊疗过程中是否存在过度与错误医疗问题.其核心是提高不依赖人工判别方法的判别正确率来降低肿瘤类疾病的错诊可能性,通过实验证明结合了Spearman去冗余方法的SVM_RFE降维,与传统的SVM_RFE方法相比,在肺结节良恶性分类问题的SVM模型中表现更佳,同时也优于传统的radiomics方法.该方案能及时发现错误与过度医疗问题并提出预警,发挥监督提醒的作用,在实现预防和避免诊治错误的同时减少对人工鉴别的依赖,为错误医疗问题及减轻患者负担提供一种新的解决途径.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	柳学国		45	190	8.0	10.0
2	朱诗生	汕头大学计算机系	18	233	7.0	15.0
3	毛礼厅		2	2	1.0	1.0
4	汪昕蓉	汕头大学计算机系	1	1	1.0	1.0