文摘
大多数发展中国家面临巨大的挑战在医疗领域;稀缺的医疗资源和医疗人员不足将影响社会的发展和稳定。因此,对于大多数发展中国家,智能医疗系统的发展可以极大地缓解社会矛盾引起的这个问题。在这项研究中,一个新的数据决策智能系统提出了基于感知器神经网络的前列腺癌,主要决定通过将一些相关疾病的指标,结合医学图像。通过数据收集、分析和集成的医疗数据,以及疾病检测和决策过程,患者有辅助诊断和治疗,以解决这个问题,大多数发展中国家所面临的社会矛盾。通过研究住院信息超过8000名前列腺癌患者在三家医院,大约2156528个数据项目收集和编译的实验目的。实验数据表明,当病人基础增加从200年到8000年,machine-assisted诊断系统的准确性将从61%增加到87%,和医生的诊断速度将减少到81%。从这项研究中,得出的结论是,当病人基础达到一定数量时,machine-assisted诊断系统的诊断准确性将超过医生的专业知识。因此,智能系统可以更有效地帮助医生和医学专家治疗病人。
1。介绍
前列腺癌(PCA)是一种人类疾病发生在前列腺上皮的恶性肿瘤(1- - - - - -6]。其发病的年龄主要是55岁后,发病率也随年龄的增长而增加。在欧洲和美国男性癌症患者的发病率排名第一,(7,8而死亡率排名第二。在美国,前列腺癌的发病率已上升到成为第一位;死亡率仅次于肺癌。前列腺癌已成为世界上最常见的一种癌症,男性最常见的恶性肿瘤之一,在欧洲和美国9]。
在发展中国家如(10)中国,发生率低于在许多欧美国家。然而,由于发展中国家人口基数大,病例数并不是被低估(11]。在1980年代之前,前列腺癌的发病率在中国不到1/100,000,发病率极低,但是经过几十年的变化,前列腺癌的发病率已经超过5/100,000飞涨,原始的近五倍。具体地说,前列腺癌的发病率在2012年在中国注册的9.92/100000;第六个男性恶性肿瘤发病率最高,在2018年,前列腺癌患者在亚洲占18100001,世界上一半的新病人12,13]。
如今,许多发展中国家正面临着巨大的困境:(我)医疗设备和治疗水平是有限的,癌症发病率的增加,很容易造成误诊率高,如果医疗水平跟不上发病率的增长速度。因此,大量社会矛盾可能出现(2)发展中国家人口基数大,医疗机构的数量相对较少,以及医务人员,导致医生和病人的数量不平衡
中国的首都,北京,有庞大的人口,有近100000的老人和儿童。但相反,医务人员服务只有3000人在这个大都市。结果,是一个极端不平衡的规模人口和医疗水平。在发展中国家,即使是大城市仍有很多问题,更不用说偏远地区的小城市。通常更为严重,城市比农村人口大约是4:6(2017年14),但城市的医疗水平远远高于农村。
在发展中国家,医院的医生必须承担巨大的负担,因为繁重的工作和精神压力。在中国,由于庞大的人口基数,每个医生都是平均分配给5000名患者,而大量的工作压力往往会导致误诊率高。此外,(15,16]在前列腺癌的治疗中,640图像生成的每个病人的磁共振扫描。如果执行筛选试验只有通过手动方式,这将是非常低效的,精神疲劳,工作时间太长,和误诊率也会增加。
因此,医院在发展中国家也有类似的困境:(我)大量的病人和医务人员相对较少形成尖锐的矛盾,导致大量医务人员的工作压力,容易导致身体疲劳和心理压力的医生,并最终可能会增加误诊率(2)例如,pet - ct机扫描(17)图像是一个任务与大量的图片和大量的重复性工作。如果手动处理,它只会效率低下,浪费大量的时间,而且会容易疲劳医生,,最后,导致误诊率高(3)有一个医生和病人之间的“代沟”。病人不了解前列腺癌的生理指标,这使得很难医生与病人沟通
面对这些问题,本文使用一种智能的医疗专家系统来改善上述医疗条件。医生的最终选择可以通过system-assisted诊断结合自己的经验做出最完整的治疗决策。在此系统中,神经网络的前列腺癌大数据采用智能系统。系统协助诊断决定从两个方面:图像和疾病指数。通过调整权重,最后结合两个方面来确定癌症的临床分期,为医生提供合适的治疗策略。大数据决策情报系统可以完成阶段性决定疾病的快速、有效,同时能提供及时、有效的治疗调整的病人,以确保有效的治疗疾病。总之,所做的贡献研究总结如下:(1)来构造一个新的前列腺癌基于感知器神经网络模型相结合的一系列指标和相关的图像来确定是否有癌症和确定癌症的严重性,临床阶段(2)根据图像通过正电子发射计算机断层扫描(PET)或计算机断层扫描(CT)医院采取的技术人员(18- - - - - -21),图像可以筛选,最有效的一部分图像可以筛查医生参考,以减少医生的负担,提高工作效率(3)智能系统协助医疗诊断,通过统计分析数据可以作为辅助诊断和自动为医生提供一个快速和准确的治疗方案(4)为了确保学习神经网络能够获得准确的重量和确保决策的准确性,这项研究是基于2156528年中国的三家医院住院信息。实验结果表明,智能医疗决策系统可以提高医生的效率,减少误诊率
本文的其余部分组织如下:在第二部分,介绍了当前最先进的相关工作;第三部分提出并构造一个大数据决策模型;第四部分给出了实验性能的详细描述;在最后一部分给出结论。
2。材料和方法
智能辅助诊断系统是一种新型的基于机器学习的智能系统及其应用在很大程度上已经被社会认可。通过大量的先例,智能系统仍然可以为人们的生活带来很大的便利,并且减轻相关工作和生活负担。智能医疗系统的出现有望改善当前发展中国家的医疗卫生条件。随着技术的更新和发展,在许多国家和地区,智能医疗系统可以协助诊断病人的卫生保健系统的诊断信息的病人,帮助医生做一些简单的工作,大大减少了医生的工作量,甚至能够诊断疾病和相应的治疗决策,使医生更有效的理解的健康情况。另一方面,为了增加machine-assisted诊断的准确性和合理性,本文不仅应该使用简单的指标,使决策过程还包括磁共振图像决定更重要,因为有些时候,这些图像可以判断疾病更直接、准确、有效。因此,本文建立了一个基于感知器神经网络的新的决策模型在发展中国家。
2.1。计算机辅助诊断系统的总体框架模型,前列腺癌在大数据的上下文中
在真正的医学诊断前列腺癌,医生让相应的诊断通过各种指标如巴氏PSMA, HB, PSMA, TPSA、红细胞,人民行动党,FPSA和患者的正电子发射计算机断层扫描(PET)和计算机断层扫描(CT)。在现实生活中,医生会根据自己的知识和治疗诊断和治疗经验。
在大数据环境中,我们的医学辅助诊断系统也是基于大数据。通过机器学习,学会了大量的数据和一个成熟的神经网络算法建立执行机器通过医疗诊断数据和图像信息。如图1,是大数据的整体结构智能医疗系统的决策模型,并介绍了系统的操作流程和数据流和处理详细和清楚。
最后,由于医院的强大并发的智能系统,它能够处理大量的病人信息在同一时间。系统主要分为五个阶段。第一阶段是医学图像的预处理模型之前输入的计算机辅助诊断系统的大数据环境下前列腺癌。最后,实现了两个目标。一是准确和有效的医学图像筛选。在当前医院系统,磁共振扫描生成大约640图像每个病人。如果图像处理和筛选手册形式,大量的劳动力,材料,和人力资源会被浪费。如果所有的图像存储和处理,640张图片需要大约2 M字节的空间,只有640张图片的一部分可以作为有效的处理信息,这将导致医疗系统资源的浪费。另一计算浓度的前列腺癌的病变区域和对有效的图像进行边缘检测和处理来获得相应的损伤区域,可作为前列腺癌的输入信息machine-assisted大数据环境下诊断系统。
第二阶段的输入模型machine-assisted大数据环境下前列腺癌的诊断系统。所有获得的数字信息预处理,不规则,不合理的、无效的信息转化为合格的和有效的数字信息。六种不同疾病索引(肿瘤标记物)可以用来评估前列腺癌的临床分期由两种医学图像索引:病变区和损伤区密度;然后,这两种数据集成生成输入向量和 ,不同的数据模型。
第三阶段的神经网络模型是machine-assisted前列腺癌诊断系统在大数据环境下,操作流程的输入层、隐藏层和输出层的神经网络。整个神经网络模型结合前列腺癌的诊断过程分为两个部分。第一部分是大量的前列腺癌病例收集并统计在早期阶段的数据信息模型训练,目的是不断调整各点之间的重量和偏见。正电子发射计算机断层扫描(PET)和计算机断层扫描(CT)六种不同疾病患者指标(肿瘤标志物):Hb, PSMA, FPSA,加拿大皇家银行,人民行动党TPSA、两个医学图像指标。病变区域的密度病变区域生成的两个向量作为输入的输入层。疾病指数和医学图像终于发现的返回错误两部分调整模型参数。
第四阶段是计算机辅助诊断系统的决策模型对前列腺癌的环境下大数据。最终的输出值是通过结合前列腺癌疾病指数和前列腺癌医学图像的输出。结合两个不同的输出值,将前列腺癌前列腺癌疾病指数和医学成像指数调整重量。因为前列腺癌的临床诊断主要依靠血清PSA、直肠指诊时通过直肠超声通过直肠指诊和盆腔MRI表现,CT对早期前列腺癌的诊断敏感度较低。因此,图像的重量在前列腺癌的早期诊断应小于后期。这需要一个相应的算法结合了两个,最后画出DPC系统输出。然后根据最终的输出值(DPC),癌症的阶段是协助诊断。根据肿瘤淋巴结转移(TNM)指南,前列腺癌可分为四个阶段(I、II、III和IV):前期,早期阶段,中间阶段和后期阶段。前列腺癌的临床阶段可以全面评估根据最后结合输出值(DPC)。
2.2。前列腺癌的计算机辅助诊断系统输入医学图像预处理的大数据的上下文
前列腺肿瘤的临床表现明显的增大肿瘤和活细胞组织水分子的扩散,细胞密度的增加,大分子蛋白质含量的变化,以及细胞密度的增加在癌细胞恶性病变,导致肿瘤平面面积的增加和医学图像较暗的颜色。因此,本文采用病变区域和医学图像的灰度作为协助诊断指标。
在大数据的上下文中。Machine-assisted前列腺癌的诊断是基于六种不同疾病指标(肿瘤标志物):HB, PSMA, FPSA,加拿大皇家银行,人民行动党TPSA、以及PET和CT。这两个向量是病变区和病变的密度区生成作为输入到输入层。医学图像的前列腺癌,我们不能直接获得两个索引通过磁共振图像的输入图像。因此,这就要求初步的医学图像的预处理。
首先,在一些医学图像,可能会有一些颜色标签,被称为图像的噪声。因此,我们进行灰度处理前列腺癌症医学图像获取一个完整的灰度图片:
, ,和 ,分别对应于原始RGB颜色模式的三种颜色的原始图像。根据前列腺癌医学图像的特点,各种参数的值是0.25 ~ 0.35,的值范围0.55 ~ 0.65,价值的范围是0.1 ~ 0.2。
我们的最终目标是让焦点区域的医学图像的前列腺癌。因此,医学图像有很大的噪音;我们要消除癌症的噪声图像。高斯模糊的目的主要是为了减少整体形象的噪音。目的是为了更准确地计算图像梯度和边缘 : 在哪里决定了高斯方差为输入参数,以确定肿瘤图像的模糊程度。
然后,高斯平滑进行前列腺癌前列腺癌的图像获取处理图像 : 在哪里代表卷积,这将转化为一个二维模板卷积癌症图像的操作 。
前列腺癌医学图像的梯度和振幅计算。图像梯度,梯度的方向是方向的函数 变化最快。当图像中有一个优势,必须有大的梯度值。相反,当有一个相对平滑的图像中的一部分,灰度值变化小,和相应的梯度也较小。在图像处理中,梯度模式被称为梯度,和图像组成的图像梯度称为梯度图像。图像的边缘有两个属性,方向和大小。像素变化急剧轻轻地沿着边缘方向垂直于边缘的方向。这种变化可以微分算子检测到的边缘,通常使用第一或二阶导数来检测边缘。我们计算梯度幅值和方向的一阶有限差分。
前列腺癌的医学图像的梯度平滑和滤波后可用于计算的偏导数和的一阶有限差分近似 :
在直角坐标系,坐标系之间的关系,振幅和方位
对于前列腺癌医学图像,是一个需要重点区域,需要得到的边缘图像集中区域,在那里 表示振幅,它反映了癌症的边缘强度图像; 表示方位,它反映了梯度的方向;因此,当 获得了局部最大值,其相应的梯度方向 反映出的方向边缘(边缘方向垂直于梯度的方向),如图。
为了获得更精确的图像边缘的癌症病变区域,nonmaximal抑制梯度幅值还需要最后;值越大,在当前的梯度幅值矩阵,相应的肿瘤图像的边缘点是在这一点上,只能表明这个点的梯度值比较大。通过这种方式,nonmaximum抑制完成的步骤。很大一部分nonedge点删除,和二进制图像输出终于获得,如图。
在这一点上,在检测前列腺癌的病变区域的边缘,我们将努力获取输入参数的地区之一。这个系统使用eight-direction Freeman链码来计算不规则区域。
它叫做eight-direction链代码的原因是,它是从起始像素点和扫描下一个相邻的像素点,然后看着原像素点的相对位置和相邻像素点,根据eight-direction编码图,并扫描先后获得Freeman链码。
然后,执行前向量和向量链上的注释代码:
添加前矢量注释和后者注释结果 :
最终的目标区域可以表示为
将原始图像转化为灰度图像后,计算模型的另一个参数输入: 在哪里是总像素点在前列腺癌的病变区域和对应像素点的像素值吗 。
在这个模块中,我们有两个目的:第一,模型需要屏幕前列腺癌的医学图像通过两个指标;第二,需要最后获得输入和 。
2.3。输入模型的计算机辅助诊断系统在大数据背景下前列腺癌
输入模型的计算机辅助诊断系统的上下文中前列腺癌大数据需要妥善处理所有获得的数字信息,将不规则,不合理的、无效的信息到合格有效的数字信息。特别是,不能指责这样的数字信息,并更有必要处理不规则和不合理的无效信息有效的输入,以便不影响系统的运行。
在前列腺癌machine-assisted诊断系统在大数据的背景下,输入分为两个部分。一部分是输入疾病的指标 。在这些测试结果,肿瘤标志物的最有价值的信号诊断、治疗和预后。因此,前列腺疾病指数输入由六个疾病的指标,即HB, PSMA, FPSA,加拿大皇家银行,人民行动党,TPSA。向量这六个疾病指标相结合的输入系统:
虽然前列腺癌的疾病指数是一个重要的指标,协助诊断,这显然是太浅,不足以仅仅依靠疾病指数作为判断和决定。因此,基于以疾病指数为输入系统的诊断决策,系统还增加了一个输入图像索引的一部分 。 两种医学图像索引,病变区和损伤区密度、pet - ct机产生的病人。这两个指标组成一个向量另一个输入系统 :
输入模型不仅是理论计算机辅助诊断系统的开始也开始两个输入神经网络模型的输入层神经网络。
2.4。神经网络模型的计算机辅助诊断系统对大数据环境下前列腺癌
这部分是由六种不同的疾病研究前列腺癌索引(肿瘤标志物),Hb, PSMA, FPSA,加拿大皇家银行,人民行动党,TPSA、pet - ct机和两种医学图像的度量,病变区域和病变区域密度生成的两个向量作为输入,然后调整重量研究前列腺癌的诊断过程,疾病指数和医学图像,分别。因此,这一阶段的研究应该分为两个部分:第一部分是合理的评估和分配重量的疾病和医学图像指标指标;第二部分是智能诊断系统的诊断过程,并初步诊断结果获得通过调整肿瘤标记物的重量和偏见。
2.4.1。疾病指数和图像的合理评价和分配指标权重的前列腺癌
在这项研究中,超过8000名前列腺癌患者的住院信息在中国三家医院进行了研究,并对2156528年数据收集和统计分析的物品。因此,在这样一个大的数据量,我们可以通过实验不断调整和评估的重量。计算机辅助诊断系统的神经网络模型的前列腺癌在大数据环境中是一个合理的过程调整每个节点的重量和偏差输入后的前列腺癌。根据智能医疗的整体结构大数据决策模型诊断系统,神经网络模型后,前列腺癌的诊断过程分为两个部分。左边是通过早期的集合大量的前列腺癌病例统计模型的训练数据信息;我们的目标是不断调整各个点之间的重量和偏见。有六种不同的疾病指标(肿瘤标志物):Hb, PSMA, FPSA,加拿大皇家银行,人民行动党,TPSA生成的向量作为输入;智能诊断系统最终将返回错误的疾病指数调整的参数智能诊断系统。正确的是大量的前列腺癌病例图像收集并统计在早期阶段,和两个医学图像索引通过初步预处理作为数据信息模型的培训,以不断调整各点之间的重量和偏见。和患者pet - ct机类型的两种医学图像索引,病变区和损伤区密度,生成的向量作为输入,智能诊断系统最终将返回错误的疾病指数参数调整的智能诊断系统 。因此,输入向量的两个部分可以表示如下:
当和由六个肿瘤标记和两个医学图像生成指标输入到智能诊断系统、神经元之间的重量调整形成的输入下一个神经元,每个神经元都有对应的激活函数,用来处理数据。
激活函数选择乙状结肠函数,它是一种常见的s型函数在生物学,也被称为年代增长曲线。因为它的值范围(0,1),输入向量和前列腺癌可以映射到区间(0,1)。在大数据的过程中medical-aided诊断前列腺癌,之间没有线性关系的上下两层神经网络,和这些特性的区别是复杂但并不大。因此,s形的函数是一个合适的选择大data-assisted前列腺癌的诊断模型。
在一个多层网络中,上一层的输出将作为以后的输入层:
(16)。
是神经网络的层数。六个疾病指标和两个医学图像指标可以按重量计算获得最后一个癌症的结果,我们称之为预期的结果(期望的结果)。比较预期的结果和实际结果(实际结果),误差函数达到最小值根据梯度下降法。目的是使诊断决策结果越来越接近实际价值通过调整体重,所以重量和偏见可以达到“完美”的状态。预期结果和实际结果的误差函数
其中,节点的数量作为最终输出诊断前列腺癌大数据下的预期结果与实际结果将是对前列腺癌分化价值;我们最终要达到的目标的价值减少前列腺癌的分化。当它达到一定小值是一个最优解,最后,我们通过调整权重的最优解和偏见,优化重量和偏见:
学习效率,诊断准确性是整个模型的基本要求。精度越高,越完美的智能诊断系统。我们调整重量;诊断准确性的目的是增加通过六个肿瘤标记和两个医学图像索引生成和两个输入;通过重量的分布,得到最终的诊断决策的结果。因此,它是至关重要的调整重量和偏见达到“理想状态”。
2.4.2。前列腺癌的诊断过程智能诊断系统
在第一阶段,我们得到每个节点之间的重量和偏见与大量的训练数据。也就是说,大数据的所有权的重量模型智能医疗辅助诊断系统已经确定。因此,在这个阶段,智能系统的诊断的过程进行分析。首先,六种不同的疾病指标(肿瘤标志物):HB, PSMA, FPSA,加拿大皇家银行,人民行动党,TPSA、pet - ct机和医学图像的两类指标:两个向量和所产生的区域和灰度作为输入。
下一节将介绍疾病指标和图像指标之间的关系以及如何调整重量比例综合两种诊断结果。
2.5。决策模型的计算机辅助诊断系统,前列腺癌在大数据的上下文中
2.5.1。基于规则推理的专家系统的决策模型
从上一步,本文取得来源于前列腺疾病的辅助诊断结果指标和医学成像指标。但最终决定需要结合的两个决定诊断前列腺癌。首先,你需要获得一个综合指数,然后做出决定诊断,这样的决定可以更准确、可靠。因此,本节介绍疾病指标和图像指标之间的关系以及如何调整两者之间的重量比综合诊断结果。
在决策模型中,规则推理模型是由美国引入一种新的权重调整算法,基于规则的专家系统的开发,一个分支领域的专家系统的人工智能。决策模型的计算机辅助诊断系统的前列腺癌在大数据的背景下,本文使用一个简单的基于规则推理的专家系统的头发模型。
基于规则的推理模型是一个知识表达的规则集,包括所需的知识推理执行。如图2,在前列腺癌的诊断过程中,低级前列腺癌临床症状并不是特别明显,但是在一个高水平的临床症状的前列腺癌是显而易见的,在前列腺癌的情况研究发现,当患者前列腺癌的临床分期阶段III或IV阶段比I或II图像特征更加明显,因此,如果这一步我们有前列腺疾病指标和医学影像辅助诊断指标仍在I期或II期,这可能导致疾病的指标权重大于图像索引。
工作记忆的基于规则的推理模型,推理执行所需的完整的数据集将会获得。和分析结果大致可以分析得到的指数的变化特征对应不同临床阶段如表所示1。
最后,它是一个推理引擎的设置。当两个诊断结果作为条件,为了完成推理过程,它是必要的,以确定哪些规则在当前周期需要激活。决策模型的machine-assisted前列腺癌诊断系统在大数据的背景下,每个诊断是一个定值,每组条件在工作区中有相应的数据。因此,在计算机辅助诊断系统的决策模型大数据的环境中,前列腺癌的条件确定时,可以确定相应的规则,通常不会有规则的冲突。
2.5.2。前列腺癌的分级管理和治疗建议Machine-Assisted大数据环境下诊断系统
决策模型的machine-assisted前列腺癌诊断系统在大数据的背景下,通过基于规则的推理模型DPC获得最终结果。基于这个结果,执行癌症分期,然后根据最终的DPC machine-assisted诊断分期。根据肿瘤淋巴结转移(TNM)指南,前列腺癌主要分为四个阶段(I、II、III和IV)早期,中间,晚了。根据最终的输出值(DPC),前列腺癌的临床分期是全面评估。表2显示machine-assisted的分段阈值对前列腺癌的诊断系统。同时,通过综合评价临床分期的判断和相位估计,计算机辅助系统可以向医生推荐不同的治疗方案,如积极监测、药物治疗,切除,内分泌治疗,放疗和化疗。
3所示。实验性能
3.1。实验数据收集、分类和预处理
(1)在实验之前,收集所需的所有医疗信息从三个一流的医院在中国:湘雅医院,湘雅第二医院,湘雅三医院,并对这些信息进行分类。此外,数据中心从不同方面帮助收集各种信息项system-assisted诊断(2)前列腺癌的团队收集了大量医疗数据,使相应的分类统计和预处理,然后做相应的记录工作。因为大量的医学数据收集,尽管它是医疗数据与前列腺癌有关,只有一部分的医疗数据中使用这个系统。因此,为了确保实验的顺利进行和它的合理性和准确性,我们提取超过8000名前列腺癌患者的数据从数据收集的三个医院和提取16143项目的系统结构和有效的信息从这些患者的数据。图3显示分类项目的医疗数据信息收集的前列腺癌三医院
3.2。初始化系统数据变量
(1)测试和分析后超过8000例前列腺癌患者作为训练集,智能医疗系统的一些参数设置如下:初始体重的决心;最初的重量应该设置为不同的值。因此,对于权重的初始化,设计一个随机事件的程序来生成一组0 ~ 0.5随机数作为初始网络的重量;至于最低训练速度,初始值可以设置为0.9以来,培训将自动调整速度;至于动态系数,它的选择一般是0.6 ~ 0.8;容许误差是0.001 ~ 0.00001。根据临床医学标准,一些标准医疗指标数据如表所示3。
(2)智能系统图像索引初始化信息预处理据两位医学指标由磁共振图像病变区域的面积和病变区域。灰度图像两个指标,由此产生的向量 ,作为初始输入的智能系统。
在这个过程中,因为前列腺癌的图像有很多噪音,preexperiment实验通过大量的图像进行前列腺癌在实验之前,前列腺癌和各种参数适合处理图像计算和灰色的过滤器和双阈值。图像的后处理如图1。病变区域的边缘强度与周围的边缘强度。由此产生的边缘范围将更准确,确保最终的智能系统正确诊断诊断。数据4和5显示的强度的比较边缘像素与周围像素的强度检测后。可以清楚地看到,边缘强度远高于周围的像素强度。在图5, - - - - - -轴和 - - - - - -轴的长度和宽度是图像,分别 - - - - - -轴对应的灰度级的灰度图像。3 d效果表明前列腺癌的病变区域的灰度远远高于其他地区。
整个预处理过程是首先进行灰度处理的图像,然后计算梯度幅值的灰度图像,抑制nonmaximum值和阈值处理最终得到二进制图像输出,获得一个二进制值适合计算病变区域的面积。Freeman链码的图像计算不规则的连通图,如图6和7:
后获得两部分数据索引时,该系统使用的数据索引生成向量作为初始输入系统的模型。只有准确的指标数据可以作出准确的辅助诊断。
(3)在大数据环境中超过8000名前列腺癌患者,智能医疗系统训练数据获得相应的重量。智能系统都有一个特定的数值划分四个临床阶段的前列腺癌。在内科疾病指标方面,智能医疗系统是通过六个前列腺癌疾病指标和两个医学图像由病人用于辅助诊断指标。因此,在前列腺癌疾病的两个模块指标和医学图像指标,根据每个疾病指标和医学图像的重量指标+培训结果数据,该系统将给每两个节点之间的权重合理。前列腺癌疾病的重量分配指标和图像指标如图8。
(4)在大数据智能医疗系统决策模型中,为了准确地确定前列腺癌的临床阶段,该系统结合了疾病指数和医学图像索引协助诊断。然而,经常出现前列腺癌后叶,也没有明显的症状在早期阶段。前列腺癌患者往往有症状,如尿频,排尿困难,尿稀释,长期尿路,排尿困难和尿潴留。前列腺增生是一样的,所以很难诊断前列腺癌在此基础上,主要依靠直肠指诊来做出判断。因此,在基于规则的推理算法,早期制定规则,中间,和后期三个权重。因为医学图像不是很明显在早期前列腺癌,如果前列腺癌疾病指数模型和图像索引模型结果仍处于早期阶段,图像模型将占据比例较小。如果前列腺癌指数模型和图像索引模型结果在以后的阶段,医学图像指标的比例逐渐增加。表4显示了合理分配相应的重量疾病的指标。相应的医学图像表示为指标 :
如表所示4,因为医学成像在前列腺癌早期没有明显的特征,合理的分配权重的疾病索引和成像指标分为4例合理地设置权重。(a)当前列腺疾病指数和医学成像指标指向阶段I和II,疾病的体重指数将比医学成像的重量指数。(b)在前列腺疾病指数和医学成像指标指向第三个和第四个时期,疾病的体重指数将略小于医学成像的重量指数。其他两种情况有点特殊。疾病的临床分期指数模型和医学图像模型是完全不同的。因为在前列腺癌的早期阶段,医学图像检测确实非常令人信服。因此,为了确保准确性和合理性,我们的重量设计已经处理如下。(c)在医学图像索引分阶段I和II和前列腺疾病指数指出第三和第四阶段,疾病的体重指数将远远大于图像的体重指数。(d)在医学图像索引指向第三和第四阶段,和前列腺疾病指数分阶段I和II,疾病的体重指数将远小于图像的体重指数。
3.3。前列腺癌的数据评估和分析大数据环境
TPSA是前列腺癌的一个特定的标志,它也是有意义的诊断前列腺癌的早期阶段没有明显的症状。如图9五年,从2011年到2015年,TPSA从2011年到2013年的平均价值从18.63 ng / ml增加到45.2 ng / ml,在2013年达到顶峰,但拒绝从2013年到2015年。的趋势在过去五年里表明前列腺癌患者的条件是有效控制。人们普遍认为,TPSA小于4 ng / ml正常价值,和TPSA大于10 ng / ml,这表明前列腺癌患者的风险增加。当平均水平超过50 ng / ml,病人可能患有前列腺癌。
FSPA / TSPA,大数据的另一个重要的诊断指标智能辅助诊断系统,也是一个重要的辅助诊断和治疗的依据。如图10的正常范围FPSA / TPSA大约是0.25,但是五年从2011年到2015年,FPSA / TPSA值低于0.25,从2011年到2014年下降。的价值FPSA / TPSA已降至2014年的0.05,FPSA / TPSA低于0.1时,癌症的发病率将达到56%的高水平。这表明,大多数前列腺癌患者恶化这一时期的时间和没有控制。在这些医疗数据结构,我们可以进一步认识到在这五年中,大多数患者在三家医院的第三和第四阶段的癌症。
到目前为止,前列腺癌的原因分为两大模块,其中一个是基因导致的前列腺癌。为了证明这一说法,我们提取数据从所有主要的前列腺病人从2011年到2015年,分析了一个危险的比例数据,uninherited病人的数量设置为1,遗传病人uninherited患者的倍数。从成千上万的数据,我们可以大致得出两个结论。一个是遗传性疾病患者的数量总数的5倍多病人,这表明遗传是前列腺癌的主要原因之一;另一个观点是,它可以显示从这多个关系的数据的趋势不断上升在2011年至2015年之间,和遗传疾病的比例正在增加的同时患者数量的增加。这表明基因病人的数量逐年增加。
另一种是饮食导致前列腺癌。首先,爱吸烟的人患癌症的几率更高。许多人知道吸烟包含很多脏的东西,和吸烟的过程中,这些物质会被吸进身体。第二,维生素A是一种人体所需的微量元素。吸收一定量的维生素a能促进人体的健康发展,和过多将导致大量增加饱和脂肪酸在人体内,从而导致前列腺病变细胞。第三,胡萝卜素具有一定的促进影响前列腺癌的发病机制。第四,前列腺癌的高脂肪饮食也是一个原因,因为它包含了许多动物脂肪和脂肪酸。如果人们吃更多的东西,一些肉在体内被消化成不同类型的脂肪酸;所以从长远来看,患前列腺癌的几率会大大提高。所以这就是为什么许多医生说癌症病人要少吃肉,因为吃更多的肉类会伤害他们的身体的免疫系统。
前列腺癌的发病率和死亡率仅次于肺癌,在癌症死亡率位居第二。如图11,第一阶段的前列腺癌的治愈率是95%以上,第二阶段的治愈率是80%以上,三级治愈率小于40%,处于第四阶段的治愈率仅为25%。前列腺癌患者智能诊断系统提供了相应的治疗建议基于系统诊断的结果,如表所示5:
前列腺癌machine-assisted诊断系统在实验证明是可行的。如表所示6和图12,接收机操作曲线(ROC),中华民国是 :的 - - - - - -轴代表正确;积极的, - - - - - -轴代表了假阳性率。从图12,我们可以看到曲线非常接近(0,1)点(22- - - - - -24]。因此,前列腺癌的分类精度machine-assisted诊断系统仍然是非常高的。我们可以比较准确的专家医生。结果如下:
前列腺癌智能诊断系统的主要作用是不言而喻的,主要用于初步诊断为前列腺癌患者,根据数据收集统计信息。在过去的五年里,绝大多数的三家医院的8000多名患者逐渐恢复的治疗下医生。在这个实验中,为诊断病人进入医院,医生会生成一个诊断书第一诊断。我们的数据来自三个著名的中南大学湘雅医院。诊断的准确性被定义为第一个病人诊断的准确性,而不是病人经过多次诊断的准确性。图13显示的比较医生和智能系统之间的诊断准确性。蓝色酒吧代表医生的诊断准确性,和绿色的酒吧代表machine-assisted诊断准确性。病例数相对较低时,很明显,人工专家的诊断精度远高于智能系统。然而,随着病例数的增加,人工专家的诊断准确性下降,而智能系统的增加。根据具体的数据,当案件的数量从200增加到8000,人工专家诊断的准确性从97%下降到81%,虽然智能系统的诊断精度从61%上升到87%。因此,可以得出结论,诊断数据达到一定量时,前列腺癌的智能诊断系统的准确性将超过人工的专家。因此,智能辅助诊断系统可以协助人工专家作为辅助诊断。
4所示。讨论
近年来,越来越多的人提出了智能医疗系统的概念。许多医疗系统实现了不同的方法和技术,涉及到许多相关技术如大数据医疗和深度的学习。协助预测模型、诊断和治疗也成为医学应用和情报的热门话题。接下来,本文将详细介绍我们的工作相关的研究现状。
在社会的讨论智能医疗系统中,智能医疗行业的许多人仍然持有乐观的态度,相信聪明的医疗市场极大地指导下的政策。随着社会的发展,智能医疗将不可避免地成为一个主要趋势。现在的医疗改革分为三个阶段:第一个是数字化,即数字化很多信息包括医疗记录、病史,为检测某些疾病和信息;第二阶段是住院的移动,这一阶段更先进的数字在一楼,带来的变化是医院内部的原始病人和照顾者的空间并不局限;第三阶段是remoteization。
事实上,医学情报的三个阶段都是相关技术的发展,和技术使医疗机构的可靠性不够信任。例如,电子病历在医院智能终端和网络的发展,而移动医院依赖于无线技术的发展,远程医疗依赖于发展3 g和4 g网络和移动互联网和涉及半导体制造过程。技术使设备更好地工作效率较低,如图像信息的快速传输后检测和物联网的发展,使设备和设备之间的连接和人民更光滑。
近年来,智能医疗系统的整体发展缓慢。主要原因在于两点。第一点是,大数据处理并没有一个总体的结构。第二点是,医学数据模型是混乱和没有针对性。
在本文的研究中,该系统将能够直接连接到CDR数据接口在医院和医疗大数据批处理。其中,内部运营相关的医学预科的数据处理、数据清洗和其他操作员操作。对于医学大数据处理架构设计,我们将使用Hadoop的HDFS大数据处理框架平台,基于算子操作和SQL层处理。并发处理的过程中,模型的一部分处理可以并行执行,从而减少大量的时间成本。
4.1。基于神经网络的癌症研究
目前,越来越多的癌症研究基于神经网络诊断方法。然而,当前神经网络决策方法相对简单,基本上基于疾病指标或根据医学影像辅助诊断指标,缺乏足够的医疗数据信息。决策阶段的重量是不合理的。格鲁吉亚等人提出了一种基于卷积神经网络(CNN)——智能诊断系统对于乳腺癌的诊断和相关处理,通过相关的图像处理,图像作为输入,诊断乳腺癌和乳腺癌组织病理学分类图片(25- - - - - -27]。
除此之外,张等人提出了一个人工神经网络对microrna的生物标记物的选择和准确诊断结肠直肠癌(28),提出了一种人工神经网络(ANN)模型。设计的ANN模型可以准确地分类样本数据为癌或非癌变。通过使用安,循环microrna可以作为无创、敏感、和具体的诊断标志物。李等人。29日)提出了肺癌专家水平检测和分类使用深卷积神经网络的方法。三维卷积神经网络(CNN)是为了检测肺结节和把它们归入恶性或良性疾病根据病理学和实验室确认的结果。
4.2。基于机器学习的癌症研究
疾病诊断测试基于深度学习模型也广泛使用(30.]。DenseNet神经网络模型提出了分类良性和恶性乳房x光检查图像,提高DenseNet神经网络模型,发明了一种新的DenseNet-II神经网络模型。在Wojciech et al .,预测临床结果通过分析时间序列CT图像的局部晚期非小细胞肺癌(NSCLC)患者,肺癌治疗反应的深度学习预测提出了一系列的医学图像(31日]。
此外,Jung-Hoon等人提出了一种新的机器学习方法,早期发现肝癌帮助医生解决临床问题通过结合遗传算法,支持向量机和功能优化32]。Geeitha等人,Thangamani等人提出了一个支持向量机风险评分系统对卵巢癌患者(33,34]。通过选择microrna的集合,支持向量机(SVM)分类器构造分析microrna与临床相关的独立预测因素,构建风险评分系统。
4.3。基于模糊推理的癌症研究
诊断和概率决策问题基于非小细胞癌(NSCLC)医疗系统也成为一个热点问题。吴等人疾病诊断参数的演化过程除以非小细胞癌的临床研究和模型运动,然后建立了参数和评估选择阶段的非小细胞肺癌(35]。最后,结合临床资料统计分析和概率,系统能够提供准确、快速的临床数据分析和决策建议。在另一项研究中,(36)提出了一种基于图像识别集群范围模型和验证治疗通过建立一个预测的准确性决定算法。
文献[37]介绍了一种新型的基于模糊推理系统的辅助诊断前列腺癌模型,结合统计分析智能辅助诊断系统和大数据的医疗数据决定,最后结合医生的诊断为前列腺癌患者提供疾病诊断及相应的治疗计划。此外,刘等人还提出了一种基于模糊推理的乳腺癌检测模型技术,可以确定是否良性或恶性肿瘤的分类,和开发的一个两层的,成功率高速度分类器相结合的基于二型模糊推理专家医生的意见BI-RADS类别分类肿瘤为良性或恶性38]。阿明等人提出了一种基于模糊推理的模型,也(22]。然而,本研究基于模糊推理模型是基于灰度的变化时间结合宫颈图像的纹理信息分类患者宫颈上皮内瘤的风险。
5。结论
在这项研究中,前列腺癌的计算机辅助诊断系统提出了基于感知器神经网络和大数据解决医疗资源稀缺的问题,造成巨大的人口在发展中国家和落后的医疗水平。智能系统需要六个疾病指标和两个医学图像的组合指标作为输入,不断调整神经网络的重量和偏差的医疗大数据形成一个基于神经网络的智能诊断模型。模型允许医生诊断前列腺癌患者更大的准确性。虽然智能系统可以提供诊断信息和决策的结果,它只能作为辅助诊断决策系统为医生和医生不能完全取代。然而,它可以很大程度上减轻医生的工作负担,提高医院的效率,大大提高医生诊断的准确性。通过研究住院信息超过8000名前列腺癌患者在三家医院,大约2156528个数据项目收集和编译的实验。实验数据表明,当病人基础增加从200年到8000年,machine-assisted诊断系统的准确性将从61%增加到87%,和医生的诊断准确性将降至81%,因此,智能医疗系统可以帮助医生和医学专家做出更有效的治疗。从这项研究中,得出的结论是,当病人基础达到一定数量时,machine-assisted诊断系统的诊断准确性将超过医生的专家。
在未来的工作中,我们将主要工作中心转移到大数据和智能识别和不断尝试新算法的研究,如支持向量机、决策树算法,或深学习算法,通过比较它们之间的优缺点,不断优化系统模型,不断提高诊断的准确性。
缩写
| 主成分分析: | 前列腺癌 |
| 宠物: | 正电子发射计算机断层扫描 |
| CT: | 计算机断层扫描 |
| 人民行动党: | 前列腺酸性磷酸酶 |
| 《港口: | 前列腺膜抗原 |
| HB: | 血红蛋白 |
| TPSA: | 总前列腺特异性抗原 |
| 加拿大皇家银行: | 红细胞 |
| FPSA: | 游离前列腺特异性抗原 |
| 核磁共振成像: | 磁共振成像 |
| TNM: | 肿瘤淋巴结转移 |
| 中华民国: | 接收机操作曲线 |
| 非小细胞肺癌: | 非小细胞肺癌。 |
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
信息披露
小君,Zhihang陈、吴贾和刘Kanghuai当前地址是在中南大学,长沙410075年,中国。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
J还是z。,Z.C., and J.W. conceived the idea of the paper. J.Z., Z.C., J.W., and K.L. designed and performed the experiments; W.Z. and K.L. analyzed the data; Z.C. contributed reagents/materials/analysis tools; J.Z. wrote and revised the paper. Jun Zhang, Zhihang Chen, Jia Wu, and Kanghuai Liu contributed equally to this work.
确认
这项工作是支持部分由“移动医疗”Education-China部移动联合实验室。这项研究是由中国国家自然科学基金重大项目(批准号71633006)和中国国家自然科学基金(批准号61672540)。