| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究工作的背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文的主要研究内容与创新点 | 第16-18页 |
| 1.4 本文的结构安排 | 第18-19页 |
| 2 相关技术介绍 | 第19-30页 |
| 2.1 多标记分类方法 | 第19-22页 |
| 2.1.1 问题转化方法 | 第19-22页 |
| 2.1.2 算法改造方法 | 第22页 |
| 2.2 机器学习 | 第22-27页 |
| 2.2.1 常见机器学习算法 | 第22-23页 |
| 2.2.2 深度学习 | 第23-27页 |
| 2.3 多标记分类评价指标 | 第27-29页 |
| 2.3.1 基于样本的评价指标 | 第27-28页 |
| 2.3.2 基于标记的评价指标 | 第28-29页 |
| 2.3.3 基于标记排序的指标 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于深度学习的多疾病风险预测模型 | 第30-43页 |
| 3.1 问题定义 | 第30-31页 |
| 3.2 多疾病标记转换 | 第31-33页 |
| 3.2.1 基于BR方法的多疾病标记的转换 | 第31-32页 |
| 3.2.2 基于LP方法的多疾病标记的转换 | 第32-33页 |
| 3.3 网络框架设计 | 第33-38页 |
| 3.3.1 组模块的设计 | 第33-37页 |
| 3.3.2 卷积神经网络框架 | 第37-38页 |
| 3.4 损失函数改进 | 第38-41页 |
| 3.4.1 基本损失函数 | 第38-39页 |
| 3.4.2 关联损失函数 | 第39-41页 |
| 3.5 集成模型 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 实验设置与结果分析 | 第43-58页 |
| 4.1 数据集介绍与疾病标记分析 | 第43-45页 |
| 4.1.1 数据集介绍 | 第43-44页 |
| 4.1.2 疾病标记分析 | 第44-45页 |
| 4.2 实验环境设置 | 第45-46页 |
| 4.3 评价指标 | 第46页 |
| 4.4 超参数设置和实验结果分析 | 第46-50页 |
| 4.4.1 超参数设置 | 第46-47页 |
| 4.4.2 超参数的实验结果分析 | 第47-50页 |
| 4.5 对比方法和实验结果分析 | 第50-57页 |
| 4.5.1 对比方法设置 | 第50-51页 |
| 4.5.2 卷积神经网络框架的结果分析 | 第51页 |
| 4.5.3 BR-GroupNet和LP-GroupNet的结果分析 | 第51-52页 |
| 4.5.4 改进的损失函数的结果分析 | 第52页 |
| 4.5.5 集成模型的结果分析 | 第52-53页 |
| 4.5.6 所有对比方法的结果分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 5 结与展望 | 第58-60页 |
| 5.1 论文总结 | 第58-59页 |
| 5.2 未来展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第65-66页 |
| 致谢 | 第66页 |