基于稀疏预处理和XGBoost的生化检验智能审核

摘要：

临床生化检验数据为医生进行疾病诊断提供最有力的数据支撑,当前采用基于规则的半自动异常检验值过滤和医务人员人工审核的方式,存在缺乏学习能力、效率低下的问题.为此,提出一种将检测数据进行稀疏化处理并使用极端梯度提升算法进行智能审核的机器学习模型.首先使用深度神经网络对医院信息系统导出的,经过脱敏、清洗后的检验数据用聚类算法实现样本的平衡采样,再用深度神经网络进行缺失值填充,并将选定的数据预处理成稀疏矩阵,最终使用极端梯度提升算法完成生化检验数据的智能审核.实验结果表明,论文采用的模型能实现95％左右的智能审核准确率,同时运算性能显著优于其他机器学习模型.

关键词：深度神经网络、稀疏数据、聚类算法、极端梯度提升

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;辽宁省重点研发计划;教育部中央高校基本科研业务费专项;辽宁省兴辽英才计划项目

在线出版日期：2022-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：796-800