【华侨大学】基于混合深度学习算法的疾病预测模型

简介： 利用电子健康档案中时间序列数据建立的预测模型在改善疾病管理方面发挥着重要作用。由于时态数据的序列相关性和特征空间维度大等特点，机器学习和非深度神经网络等传统方法难以提供疾病的准确预测。最新工作表明，长短时记忆(long short term memory, LSTM)神经网络性能优于大多数传统的疾病预测方法。为了进一步提高预测精度，本文提出了一种将卷积神经网络(convolutional neural network, CNN)与LSTM相结合的混合深度学习神经网络框架。使用电子健康档案中真实数据集的研究结果表明，相比传统SVM，CNN和LSTM模型，该算法的预测性能得到显著提高。

疾病预测在医疗诊断领域十分重要。传统的预测方法包括支持向量回归(support vector regression,SVR)，时间序列分析方法以及灰色模型(grey models, GMs) [12]。王等人[13]比较了使用ARIMA和GM(1,1)模型进行的中国乙型肝炎月发病率预测的结果。马等人[14]使用季节 ARIMA 和 Holt-Wins 季节模型预测中国梅毒月发病率。张和李等人[15]提出了一种结合 ARIMA 模型和 SVR 模型的日射科急诊病人流量预测方法。所有的单个基础预测模型都是以非线性的方式集成的，实验结果表明了所提出的混合方法的预测精度和可靠性。