2025《基于代价敏感深度学习的医疗数据分类算法分析概述》7700字.docxVIP

PAGE59

基于代价敏感深度学习的医疗数据分类算法分析概述

目录

TOC\o1-3\h\u21641基于代价敏感深度学习的医疗数据分类算法分析概述 1

73651.1相关技术 1

290041.1.1类间代价敏感 2

141961.1.2样本代价敏感 3

305841.2算法描述 4

99561.2.1代价敏感矩阵设计 4

54791.2.2代价敏感深度神经网络模型设计 6

127991.3实验结果与分析 7

185611.1.1医疗数据集及其预处理 8

46171.1.2实验中的评价指标 10

226491.1.3参数设置 12

321251.1.4对比实验及分析 13

在医学领域，将异常患者误诊为健康者和将健康者误诊为异常患者的成本是不同的。在多数情况下，健康者的比例大于异常患者。因此，在处理医疗数据分类问题时，需要考虑两个关键问题：第一，分类结果不平衡；第二，异常患者的低敏感性。然而，标准的分类器很少关注不平衡数据集中的少数类样本。因此，属于少数类别的异常患者比属于多数类别的健康者更容易被错误分类。为了解决这个问题，本章把它形式化为代价敏感的分类问题，提出了一种基于代价敏感深度学习的医疗数据分类算法。

本章首先对现有的两种典型的代价敏感学习算法进行分析，然后针对它们的局限性，设计了一个全新的代价矩阵，通过对损失函数进行代价敏感改造，将其同SmDAE结合应用到医疗诊断数据中，最后与其它方法进行对比，验证所提的代价敏感深度学习方法的优越性。

1.1相关技术

代价敏感学习是指为不同类别的样本设置不同的权重，从而让机器学习模型进行学习的一种方法。为了将深度神经网络与代价敏感学习相结合，最为简单的方式就是训练时在网络的输出层后额外增加一个代价敏感层用以对原始输出结果进行调整，进而提高分类模型对少数类样本的关注度。代价敏感层的核心就是代价矩阵，矩阵中的值则表示各类别的误分代价，所以此类代价敏感学习算法也被称之为类间代价（class-dependentcosts）敏感。此外，还有一类比较常见的代价敏感学习算法，样本代价（example-dependentcosts）敏感[56]。与类间代价敏感算法不同的是样本代价敏感算法关注的则是每个样本的误分代价，其为每一个样本单独赋予一个代价向量，用以表示该样本被划分至不同类别时的代价。

1.1.1类间代价敏感

类间代价敏感与DNN相结合产生的模型结构如图1.1所示，相较于传统的DNN而言，其独特之处就是在输出层（outputlayer）之后额外连接了一个代价敏感层。对于二分类问题，用表示将负样本预测为正样本的错分代价，则表示正样本的错分代价，正确分类代价为0，得到的代价矩阵如表1.1所示。

表1.1二分类代价矩阵

预测为1

预测为0

实际为1

0

实际为0

0

当时，表示代价不敏感，正负样本的错分代价是一致的。而当与之间的差值越大，则代价不平衡程度越大。其聚焦于某一类样本被误分为不同类别时的误分代价，所以其被称之为类间代价敏感，模型在处理分类任务时对于某个类别的关注程度则取决于该类样本的误分代价，一般认为正样本的识别意义大于负样本，即。

图1.1代价敏感深度神经网络示意图

Bayes决策ADDINEN.CITEEndNoteCiteAuthorNunzio/AuthorYear2014/YearRecNum338/RecNumDisplayText[57]/DisplayTextrecordrec-number338/rec-numberforeign-keyskeyapp=ENdb-id=x0r9955slp0fvnev95spxd0qwrsa9xz2rt2z338/key/foreign-keysref-typename=JournalArticle17/ref-typecontributorsauthorsauthorNunzio,GiorgioMariaDi/author/authors/contributorstitlestitleAnewdecisiontotakeforcost-sensitiveNaveBayesclassifiers/titlesecondary-titleInformationProcessingamp;Management/secondary-title/titlesperiodicalfull-titleInformationProcessingamp;Management/full-title/periodicalpages653-674/pagesvolume50/volumen