基于改进的多层降噪自编码算法临床分类诊断研究

被引：9

作者：

胡帅 ^{[1
]}

袁志勇 ^{[1
]}

肖玲 ^{[2
]}

王惠玲 ^{[2
]}

王高华 ^{[2
]}

机构：

[1] 武汉大学计算机学院

[2] 武汉大学人民医院

来源：

计算机应用研究 | 2015年 / 32卷 / 05期

关键词：

深度学习; 多层降噪自编码; 元代价; 分类诊断; 代价敏感; 不均衡;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习]; R44 [诊断学];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 100208 ;

摘要：

针对临床分类诊断中普遍存在的样本不均衡、错分代价不同、大量无标签样本和测量误差等特点,引入了机器学习中较新的研究成果——多层降噪自编码(stacked denoising autoencoders,SDA)神经网络,并与欠采样局部更新的元代价(metacost)算法相结合,对SDA神经网络进行了改进,使组合模型具有代价敏感、降低不均衡性、有效利用无标签样本、抗噪声的特性。实验中将改进的SDA神经网络与SOFTMAX回归、反向传播(back propagation,BP)神经网络、支持向量机(support vector machine,SVM)、传统多层自编码(stacked autoencoders,SAE)神经网络,以及传统SDA神经网络等作了比较。实验结果表明,改进的SDA神经网络的准确率、ROC曲线下面积等均优于其他模型,提高了分类模型的辅助诊断性能。

引用

页码：1417 / 1420

页数：4

共 18 条

[1]

LIBSVM[J] . Chih-Chung Chang,Chih-Jen Lin. &nbspACM Transactions on Intelligent Systems and Technology (TIST) . 2011 (3)

[2] Bagging predictors [J].

Breiman, L .

MACHINE LEARNING, 1996, 24 (02) :123-140

[3] INDUCTIVE AND BAYESIAN LEARNING IN MEDICAL DIAGNOSIS [J].

KONONENKO, I .

APPLIED ARTIFICIAL INTELLIGENCE, 1993, 7 (04) :317-337

[4]

MetaCost:a general method for making classifiers costsensitive. Domingos,P. Data Mining and Knowledge Discovery . 1999

[5]

A fast learning algorithm for deep belief nets. Hinton Geoffrey E,Osindero Simon,Teh Yee-Whye. Neural Computation . 2006

[6]

A Simple Generalisation of the Area Under the ROC Curve for Multiple Class Classification Problems. David J Hand,Robert J Till. Machine Learning . 2001

[7]

Learning deep architectures for AI. Bengio,Yoshua. Foundations and Trends in Machine Learning . 2009

[8]

On the expressive power of deep architectures. BENGIO Y,DELALLEAU 0. Algorithmic Learning Theory . 2011

[9]

AUC: A Statistically Consistent and More Discriminating Measure than Accuracy, Proc. C.X. Ling,J. Huang,and H. Zhang. IJCAI’03 . 2003

[10]

Prediction as a candidate for learning deep hierarchical models of data. Palm R B. Journal of Women s Health . 2012

← 1 2 →