基于失衡數(shù)據(jù)集分類模型的疾病檢測方法研究.pdf

1、失衡數(shù)據(jù)集是普遍存在的一種數(shù)據(jù)形態(tài)。在計(jì)算機(jī)科學(xué)、經(jīng)濟(jì)學(xué)、生物醫(yī)學(xué)等諸多領(lǐng)域有著廣泛的應(yīng)用。失衡數(shù)據(jù)真實(shí)地反應(yīng)了自然和現(xiàn)實(shí)社會的本質(zhì)。但是在以往經(jīng)驗(yàn)中，人們大多只關(guān)心小類別的特征情況。例如：在經(jīng)濟(jì)案件中的信用卡欺詐檢測時(shí)，絕大多數(shù)的用戶都是具有良好信用的，但是人們非常希望能從已知的少量類別數(shù)據(jù)中預(yù)測出潛在的非法用戶；在石油勘探中，可能存在石油地區(qū)畢竟是少部分，但是這正是人們尋找的焦點(diǎn)；在公司破產(chǎn)預(yù)測中，能否從少數(shù)破產(chǎn)公司數(shù)據(jù)中尋找出目前

2、本公司經(jīng)營狀況是否存在破產(chǎn)的跡象；疾病檢測是失衡數(shù)據(jù)集的另一典型應(yīng)用，在真實(shí)的醫(yī)療檢測中，絕大多數(shù)的人一定是健康的，而我們恰恰關(guān)注的是患病的少數(shù)人。人們目的是能否通過現(xiàn)有少數(shù)患者的數(shù)據(jù)特征來預(yù)測疾病的發(fā)生；而根據(jù)已有的少數(shù)類別的特征來對未知的事物進(jìn)行預(yù)測和分類一直是這個(gè)領(lǐng)域最具有挑戰(zhàn)性的難點(diǎn)問題之一。本文基于這個(gè)背景，根據(jù)已知的數(shù)據(jù)模型來對未知的個(gè)例進(jìn)行準(zhǔn)確分類預(yù)測。
　　在眾多疾病中，乳腺癌的發(fā)病率之高以及嚴(yán)重影響之惡劣，近年來

3、受到了人們廣泛的關(guān)注。研究人員對于此領(lǐng)域的研究也越來越多，本文基于失衡數(shù)據(jù)的模型提出對于乳腺癌一套新的診斷流程。本文首先介紹了乳腺輔CAD的國內(nèi)外研究現(xiàn)狀，以及各國的研究學(xué)者在乳腺CAD研究中所做出的貢獻(xiàn)和研究進(jìn)展。其次介紹在診斷流程應(yīng)用中，將X攝片進(jìn)行特征提取，將圖像特征轉(zhuǎn)化為可供后續(xù)計(jì)算的數(shù)字化特征集，并在向量化特征數(shù)據(jù)集上，使用基于遺傳算法的粗糙集屬性約簡方法對乳腺數(shù)據(jù)集進(jìn)行特征約簡；再次根據(jù)實(shí)際乳腺癌數(shù)據(jù)集是失衡的情況，受大類別

4、基數(shù)大的影響，并考慮到失衡數(shù)據(jù)本身的特點(diǎn)：數(shù)據(jù)分類面傾斜導(dǎo)致數(shù)據(jù)淹沒、少數(shù)類數(shù)據(jù)信息匱乏、采樣后會導(dǎo)致有效信息損失等，傳統(tǒng)的CAD模型在分類診斷時(shí)準(zhǔn)確率急劇下降。
　　本文針對以上問題提出基于簇邊界采樣的重采樣策略，并在算法端結(jié)合基于遺傳算法的粗糙集的屬性約簡方法、基于支持向量機(jī)的集成學(xué)習(xí)方法。提出了一個(gè)全面地針對失衡數(shù)據(jù)集分類問題的乳腺癌診斷策略。在實(shí)驗(yàn)構(gòu)建與分析部分分別用弗羅里達(dá)大學(xué)的X攝片數(shù)據(jù)庫和 UCI數(shù)據(jù)集驗(yàn)證了本文提出