| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 医疗大数据国内外发展现状 | 第9页 |
| 1.2.2 数据挖掘研究现状 | 第9-10页 |
| 1.2.3 云计算研究现状 | 第10-11页 |
| 1.3 课题主要研究内容 | 第11-12页 |
| 1.4 课题研究的目的和意义 | 第12页 |
| 1.5 论文的组织结构 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 2 医疗大数据的相关研究 | 第14-20页 |
| 2.1 医疗大数据分析方法 | 第14-16页 |
| 2.1.1 关联规则在肿瘤大数据中的应用 | 第14-15页 |
| 2.1.2 决策树算法在肿瘤大数据中的应用 | 第15页 |
| 2.1.3 人工神经网络在肿瘤大数据中的应用 | 第15页 |
| 2.1.4 遗传算法在肿瘤大数据中的应用 | 第15页 |
| 2.1.5 其他方法在肿瘤大数据中的应用 | 第15-16页 |
| 2.2 医疗大数据在肿瘤疾病中的其他应用 | 第16页 |
| 2.3 医疗大数据实现中的几个关键问题 | 第16-18页 |
| 2.3.1 数据整合 | 第16-17页 |
| 2.3.2 数据存储 | 第17页 |
| 2.3.3 数据处理 | 第17页 |
| 2.3.4 数据共享 | 第17页 |
| 2.3.5 数据分析 | 第17页 |
| 2.3.6 隐私保护 | 第17-18页 |
| 2.4 肿瘤疾病模式分析与研究的过程模型 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 3 面向数据挖掘的肿瘤疾病数据预处理 | 第20-30页 |
| 3.1 数据来源 | 第20-23页 |
| 3.1.1 原始数据来源及特点 | 第20-21页 |
| 3.1.2 原始数据样例 | 第21-23页 |
| 3.2 数据预处理 | 第23-26页 |
| 3.2.1 预处理步骤 | 第23-24页 |
| 3.2.2 数据抽样 | 第24页 |
| 3.2.3 缺失值及异常值处理 | 第24-26页 |
| 3.2.4 数据转换 | 第26页 |
| 3.3 数据类型变换 | 第26-29页 |
| 3.3.1 结构化数据处理 | 第26-28页 |
| 3.3.2 数值化处理 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 关联规则技术及Apriori算法 | 第30-37页 |
| 4.1 关联规则技术 | 第30-32页 |
| 4.1.1 关联规则的定义 | 第30-31页 |
| 4.1.2 关联规则的挖掘过程 | 第31-32页 |
| 4.2 经典关联规则算法Apriori | 第32-35页 |
| 4.2.1 Apriori算法流程 | 第32-34页 |
| 4.2.2 Apriori算法性能分析 | 第34-35页 |
| 4.3 Apriori算法的改进 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 5 基于改进Apriori算法的肺部肿瘤疾病模式分析 | 第37-53页 |
| 5.1 Hadoop平台 | 第37-42页 |
| 5.1.1 Hadoop分布式文件系统HDFS | 第37-40页 |
| 5.1.2 MapReduce编程模型 | 第40-42页 |
| 5.2 基于Hadoop的Apriori算法改进 | 第42-47页 |
| 5.2.1 Apriori算法并行化设计 | 第43-45页 |
| 5.2.2 基于Hadoop的Apriori算法改进 | 第45-46页 |
| 5.2.3 改进Apriori算法性能分析 | 第46页 |
| 5.2.4 基于Hadoop的数据挖掘过程 | 第46-47页 |
| 5.3 Hadoop平台下肿瘤数据挖掘实验 | 第47-51页 |
| 5.3.1 实验环境 | 第47-48页 |
| 5.3.2 算法改进对比分析 | 第48-50页 |
| 5.3.3 数据挖掘实验方案 | 第50-51页 |
| 5.4 实验结果及分析 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 本文的工作 | 第53-54页 |
| 6.2 未来展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文 | 第61页 |
| 攻读学位期间参加的科研项目 | 第61-62页 |