基于失衡數(shù)據集分類模型的疾病檢測方法研究.pdf

1、失衡數(shù)據集是普遍存在的一種數(shù)據形態(tài)。在計算機科學、經濟學、生物醫(yī)學等諸多領域有著廣泛的應用。失衡數(shù)據真實地反應了自然和現(xiàn)實社會的本質。但是在以往經驗中，人們大多只關心小類別的特征情況。例如：在經濟案件中的信用卡欺詐檢測時，絕大多數(shù)的用戶都是具有良好信用的，但是人們非常希望能從已知的少量類別數(shù)據中預測出潛在的非法用戶；在石油勘探中，可能存在石油地區(qū)畢竟是少部分，但是這正是人們尋找的焦點；在公司破產預測中，能否從少數(shù)破產公司數(shù)據中尋找出目前

2、本公司經營狀況是否存在破產的跡象；疾病檢測是失衡數(shù)據集的另一典型應用，在真實的醫(yī)療檢測中，絕大多數(shù)的人一定是健康的，而我們恰恰關注的是患病的少數(shù)人。人們目的是能否通過現(xiàn)有少數(shù)患者的數(shù)據特征來預測疾病的發(fā)生；而根據已有的少數(shù)類別的特征來對未知的事物進行預測和分類一直是這個領域最具有挑戰(zhàn)性的難點問題之一。本文基于這個背景，根據已知的數(shù)據模型來對未知的個例進行準確分類預測。
　　在眾多疾病中，乳腺癌的發(fā)病率之高以及嚴重影響之惡劣，近年來

3、受到了人們廣泛的關注。研究人員對于此領域的研究也越來越多，本文基于失衡數(shù)據的模型提出對于乳腺癌一套新的診斷流程。本文首先介紹了乳腺輔CAD的國內外研究現(xiàn)狀，以及各國的研究學者在乳腺CAD研究中所做出的貢獻和研究進展。其次介紹在診斷流程應用中，將X攝片進行特征提取，將圖像特征轉化為可供后續(xù)計算的數(shù)字化特征集，并在向量化特征數(shù)據集上，使用基于遺傳算法的粗糙集屬性約簡方法對乳腺數(shù)據集進行特征約簡；再次根據實際乳腺癌數(shù)據集是失衡的情況，受大類別

4、基數(shù)大的影響，并考慮到失衡數(shù)據本身的特點：數(shù)據分類面傾斜導致數(shù)據淹沒、少數(shù)類數(shù)據信息匱乏、采樣后會導致有效信息損失等，傳統(tǒng)的CAD模型在分類診斷時準確率急劇下降。
　　本文針對以上問題提出基于簇邊界采樣的重采樣策略，并在算法端結合基于遺傳算法的粗糙集的屬性約簡方法、基于支持向量機的集成學習方法。提出了一個全面地針對失衡數(shù)據集分類問題的乳腺癌診斷策略。在實驗構建與分析部分分別用弗羅里達大學的X攝片數(shù)據庫和 UCI數(shù)據集驗證了本文提出