摘要：本项目旨在提高帕金森病的医疗诊断效率和服务水平、降低误诊漏诊率、减轻医务工作者的工作负担。该项目采用Python的自然语言处理技术、分层的javaWeb设计模块,量表评估算法,设计一款基于Web平台的帕金森病智能辅助诊断系统,采用数据库、电子病历、Java编程、网页编辑技术等技术,构建集帕金森自主评估量表、个人健康档案、案例库、医患对接功能为一体的智能辅助诊断系统。从而达到了提高医疗诊断的效率和服务水平,降低误诊漏诊率的目的。

摘要：本文主要研究BP神经网络以及AdaBoost算法在医疗诊断中的应用,在分析标准AdaBoost算法的基础上提出改进的AdaBoost算法,即BP-AsymBoost.针对UCI数据库中的威斯康星乳腺癌数据集设计结合BP网络以及改进后的AdaBoost算法的诊断模型,并且通过多个指标将其与BP模型,遗传算法优化的BP模型,未经改进的BP-AdaBoost模型进行比较,验证BP-AsymBoost模型的有效性.

摘要：针对传统肺音识别方法,存在准确率低且难以适应实际需求等问题,提出了一种基于深度学习的肺音辅助诊断方法。将肺音信号转换成具有时频特性的梅尔倒谱图,设计深度学习模型GoogLeNet-LSTM深入分析梅尔倒谱图的空间特征和时间序列特征,对病毒性肺炎患者的病情进行诊断。与VGG16、ResNet等网络模型进行比较,提出的模型性能更优,诊断准确率达到92.06%,相比单模型的准确率提高了至少4%。实验结果表明,该网络模型能有效支撑病毒性肺炎患者病情评估工作,起到辅助诊断作用。