伴隨著醫療信息化的深入,醫療儀器的信息集成已經成為醫療信息化的一個非常重要的組成部分。為了使沒有統一標準信息接口的醫療儀器具備與信息系統互聯互通、信息共享的能力,本研究設計并實現了基于醫療健康信息集成規范-患者護理設備(IHE PCD)技術框架的醫療儀器信息集成網關,該集成網關按照IHE PCD定義的通信框架和健康信息交換第七層協議(HL7)消息格式,通過協議轉換引擎和設備驅動Javascript腳本語言,將各種格式的醫療儀器通信協議轉換為符合HL7標準的消息。本研究為醫療儀器提供了統一的HL7標準接口,使其能夠與信息系統進行無縫連接以及無障礙數據交換,降低了醫療儀器信息集成的門檻,具有良好的應用價值,對在用醫療儀器設備的信息集成尤具價值。
由于醫療環境的復雜性, 異構系統集成是醫院信息化建設中的難點和關鍵。但目前, 在醫療信息系統集成過程中, 集成各方往往基于自由文檔等形式進行溝通和實現, 效率低且很難適應需求的及時變更。論文提出一種基于業務流程建模標記(BPMN)模型對集成需求進行建模, 并將其轉化為可執行集成配置的集成開發方法。在此基礎上, 論文實現了一種醫療信息系統集成需求場景建模與配置轉換的工具, 并以醫院放射科集成場景為例對方法的有效性進行了驗證。
在生物和醫學研究中采用基因矩陣技術為癌癥診斷和治療提供了一條新思路, 為了發現不同癌癥類型和準確地對癌癥樣本進行分類, 提出了基于神經氣體(NG)算法的聚類集成算法框架雙神經氣體聚類集成(DNGCE)去挖掘含有噪音的癌癥基因數據集的內在結構。該算法框架不僅把神經氣體算法應用在癌癥基因數據集的樣本維, 同時也應用于屬性維中, 最后使用Normalized Cut算法去劃分前面得到的多種不同聚類結果組成的一致性矩陣, 最終得到更加準確的聚類結果。通過應用在癌癥基因數據集的實驗結果表明, 提出的聚類集成算法框架對于癌癥基因數據集的聚類效果要遠勝過單一的聚類算法和現階段存在的大多數的聚類方法, 可以極大提高癌癥診斷的準確度。
醫療信息集成交換是解決醫療信息互操作性與信息孤島的有效方法,是醫療信息共享的基礎。本文以醫療文本與醫學影像信息為集成對象,以DICOM和HL7消息、數據集為集成交換單元,以高效的DICOM、HL7消息構建與解析方法為基礎,設計并實現了一種通用的醫療信息集成交換服務中間件。實驗表明,原型系統能夠實現數據庫、DICOM、HL7消息之間的集成與交換,為解決醫療信息孤島提供了可行方案,為建立統一的醫療信息集成與共享平臺打下了良好的基礎,并在云南省社會發展科技計劃項目"開放式醫療信息集成系統開發與示范"中得到了應用。
針對MicroRNA(miRNA)靶基因樣本數據不平衡導致陽性樣本預測準確率低和整體分類效果不佳的問題，提出一種基于欠采樣技術的集成學習算法——支持向量機(SVM)-嵌入下采樣和權重平滑(IUSW)集成學習算法。算法采用SVM作為基學習算法，以AdaBoost為集成框架，迭代過程中嵌入基于聚類的欠采樣以降低陰陽樣本數據分布不平衡程度，同時在自適應樣本權重調整過程中，以樣本權重平滑機制剔除陰性樣本中的異常點以避免過學習，最終以帶權重的投票機制組合多個弱分類器預測結果作為miRNA集成分類器的預測結果。實驗表明，在不平衡數據集上SVM-IUSW算法和其他算法相比，不但有效提高了陽性靶標的預測準確率和整體分類效果，還增強了miRNA靶標分類器的泛化能力。
首次提出了基于多島遺傳算法進行生物組織三維溫度場無損重構的重要思想, 把復雜的生物熱傳導反問題的求解轉換為正問題的求解過程, 并通過實驗對該重構思想的可行性和可靠性進行了驗證。以生物組織內點熱源的位置P(x, y, z)和溫度t為優化變量, 把同一表面各個對應點的實驗溫度值和計算溫度值相減并取絕對值之和, 以此為目標函數逐次迭代。目標值越小, 則當前變量, 即熱源位置和溫度值最優。多島遺傳算法可以很好地應用于生物組織三維溫度場的重構, 無需提取生物組織全部的表面溫度數據, 為熱傳導反問題的研究提供了一條具有借鑒性的方法與思路。
隨著心電圖數據量快速增長，計算機輔助心電圖分析也有著越來越廣闊的應用需求。本文在基于導聯卷積神經網絡的臨床心電圖分類算法上提出多種策略，進一步提升其在實際應用中的性能。首先用不同的預處理方法和訓練方法獲得兩個不同的分類器，接著用多重輸出預測法來增強每個分類器的性能，最后用貝葉斯方法進行融合。測試了超過15萬條心電圖記錄，所提方法的準確率和受試者工作特征曲線下面積（AUC）分別為85.04%和0.918 5，明顯優于基于特征提取的傳統方法。
基于語音數據實現帕金森病診斷近年來已被證明是一種有效方式。但是，目前相關研究在樣本預處理和集成學習方面還考慮不足，從而造成樣本對分類器誤導、分類準確率和穩定性還不令人滿意等問題。本文提出了一種結合樣本重復剪輯算法和隨機森林的帕金森病診斷新算法，并基于最新公共數據集進行了對比實驗。實驗結果表明，本文算法實現了對語音樣本和受試者的分類診斷，針對受試者的平均分類準確率達到了100%，比原數據提供者最高改善了29.44%。本文基于樣本優選實現了一種新的語音帕金森病診斷算法；與同類算法相比，具有較高的準確率和穩定性。
將卷積神經網絡（CNN）用于肺部腫瘤正電子發射計算機斷層掃描（PET）/電子計算機斷層掃描（CT）計算機輔助診斷，不僅可以提供精確的定量分析以彌補人眼惰性及對灰階不敏感的缺陷，也能輔助醫生準確診療。本文首先采用參數遷移的方法初始構建三個 CNN（CT-CNN、PET-CNN、PET/CT-CNN）分別用于肺部腫瘤 CT、PET、PET/CT 的識別；然后以 CT-CNN 為例探討迭代次數、批次大小和輸入圖像大小對識別率和訓練時間的影響，從而選擇合適的模型參數訓練單一 CNN；最后集成三個單一 CNN，采用“相對多數投票法”完成肺部腫瘤 PET/CT 計算機輔助診斷，進而對比集成 CNN 與單個 CNN 的性能。實驗結果表明集成 CNN 模型比單一 CNN 模型對于肺部腫瘤計算機輔助診斷的性能更優。
特征表達是基于磁共振成像（MRI）的帕金森病（PD）計算機輔助診斷系統診斷準確性的重要決定因素。深度多項式網絡（DPN）是一種新的有監督深度學習算法，對于小數據集具有良好的特征表達能力。本文提出一種面向 PD 計算機輔助診斷的棧式 DPN（SDPN）集成學習框架，以有效提高基于小數據的 PD 輔助診斷準確性。本框架對所提取的 MRI 特征的每一個特征子集分別通過 SDPN 得到新的特征表達，然后采用支持向量機（SVM）對每個子集進行分類，再對所有分類器進行集成學習，得到最終的 PD 診斷結果。通過對公開的帕金森病數據庫 PPMI 進行實驗，基于腦網絡特征的分類精度、敏感度和特異性分別為 90.15%、85.48% 和 93.27%；而基于多視圖腦區特征的分類精度、敏感度和特異性分別為 87.18%、86.90% 和 87.27%。與在 PPMI 數據庫中的 MRI 數據集進行實驗的其他算法研究相比，本文所提出的算法獲得了更好的分類結果。本文研究表明了所提出的 SDPN 集成學習框架的有效性，具有應用于 PD 計算機輔助診斷的可行性。