致谢 | 第4-6页 |
摘要 | 第6-7页 |
abstract | 第7-8页 |
1 引言 | 第11-19页 |
1.1 研究背景 | 第11-12页 |
1.2 临床决策支持系统简介 | 第12-14页 |
1.3 机器学习在医疗诊断中的应用 | 第14-15页 |
1.4 机器学习在脓毒症诊断中的应用 | 第15-17页 |
1.5 本文课题的研究目的和主要研究内容 | 第17-18页 |
1.6 本文的章节安排 | 第18-19页 |
2 脓毒症医学诊断数据的采集和处理 | 第19-32页 |
2.1 脓毒症简介 | 第19-21页 |
2.2 数据来源和描述 | 第21-23页 |
2.3 数据采集 | 第23-28页 |
2.4 数据预处理 | 第28-32页 |
3 脓毒症辅助诊断算法原理 | 第32-54页 |
3.1 常用机器学习算法介绍 | 第32-35页 |
3.1.1 逻辑回归 | 第32-33页 |
3.1.2 决策树和随机森林 | 第33-34页 |
3.1.3 支持向量机 | 第34页 |
3.1.4 K-近邻算法 | 第34-35页 |
3.2 基于规则神经网络和因子分解机算法框架原理 | 第35-49页 |
3.2.1 神经网络基础 | 第36-39页 |
3.2.2 因子分解机 | 第39-42页 |
3.2.3 区域因子分解机 | 第42-44页 |
3.2.4 规则神经网络 | 第44页 |
3.2.5 马尔科夫网络 | 第44-47页 |
3.2.6 知识蒸馏 | 第47-49页 |
3.3 实验结果与分析: | 第49-54页 |
4 脓毒症辅助诊断系统架构与实现 | 第54-66页 |
4.1 脓毒症辅助诊断系统架构模式简介 | 第54-57页 |
4.1.1 MVC模式简介 | 第54-56页 |
4.1.2 Model-View-Presenter和Model-View-View-Model | 第56-57页 |
4.2 脓毒症辅助诊断系统框架实现 | 第57-66页 |
4.2.1 视图层设计工具 | 第57-58页 |
4.2.2 基于Django的脓毒症辅助诊断系统设计 | 第58-66页 |
5 总结和展望 | 第66-68页 |
5.1 总结 | 第66页 |
5.2 未来展望 | 第66-68页 |
参考文献 | 第68-73页 |
作者在攻读硕士期间公开发表的论文 | 第73页 |