首页|基于稀疏预处理和XGBoost的生化检验智能审核

基于稀疏预处理和XGBoost的生化检验智能审核

扫码查看
原文链接
  • 万方数据
  • 维普
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.
Intelligent Audit of Biochemical Test Based on Sparse Preprocessing and XGBoost

何涛、陈剑

展开 >

东北大学东软研究院 沈阳 110169

辽宁省工业控制安全工程技术研究中心 沈阳 110169

深度神经网络 稀疏数据 聚类算法 极端梯度提升

国家重点研发计划辽宁省重点研发计划中央高校基本科研业务费专项辽宁省"兴辽英才计划"项目

2018YFC08306012019JH2/10100027N171802001XLYC1802100

2022

10.3969/j.issn.1672-9722.2022.04.022

计算机与数字工程
中国船舶重工集团公司第七0九研究所

计算机与数字工程

CSTPCD
影响因子：0.355
ISSN：1672-9722
年,卷(期)：2022.50(4)
  • 1
  • 7