医疗数据治理综述

为提高临床智能辅助决策系统辅助医生决策的能力,从医疗数据治理方向入手,采用文献检索和网络调查相结合的方法深入探析医疗数据的治理、研究动态、相关技术及应用等内容.结合已有研究,从医疗数据治理的关键问题出发,重点阐述医疗数据治理技术,包括数据标准化、数据脱敏、数据清洗和数据结构化的具体方法,及其在临床智能辅助决策系统的数据治理方案中的应用.     

软件项目管理的研究及在项目开发中的应用

针对软件项目开发的特点和软件项目高失败率的状况，通过对软件项目管理方法的研究，提出了软件项目开发过程的一种管理流程和相应的子流程，实现了对软件项目的控制和管理。     

基于随机森林算法的心血管疾病预测研究

血管疾病严重威胁着人类的健康,高发病率、高致残率、高死亡率是心血管疾病的主要特点,因此心血管疾病的预测研究显得尤为重要.本文探讨了随机森林算法在心血管疾病预测中的应用效果.在Kaggle网站上下载关于心血管疾病的数据集,用随机森林算法进行训练,实验结果由准确性、精度、召回率、F1-score评价标准来评价其性能的好坏(评价就包括好坏).本文将其与逻辑回归(Logistic Regression)、K近邻分类器(K-nearest neighbor classifier)、支持向量机(SVM)进行了比较,实验结果表明,随机森林算法的性能优于其他算法,其准确率为73.55,精度为75.51,召回率为70.11,F1-Score为72.71.通过基尼重要性评价能从多因素中识别出影响心血管疾病的重要因素,这意味着随机森林算法在心血管疾病预测中具有较大的优势,从而对心血管疾病的预测研究和早期病人的及时有效治疗具有重要意义.     

领域本体在区域医疗信息共享系统中的应用

随着医疗领域信息化建设不断推进,为了提高医疗质量,合理有效利用医疗资源,医疗信息共享的要求日益强烈.语义异构是医疗信息资源共享面临的一个主要问题,提出利用领域本体整合分布式异构数据库资源,介绍了医疗本体的构建和应用系统的设计,为实现区域医疗信息共享提供了一种有效途径.     

AdaBoost算法在乳腺癌疾病预测中的研究

为了研究AdaBoost算法在乳腺癌疾病预测中的应用,收集乳腺癌诊断数据集并按照一定的比例拆分成测试数据和训练数据.利用AdaBoost、GaussianNB、KNeighbors算法模型分别进行测试,以准确率为评价标准来评价模型性能的好坏.当测试数据占30％时,AdaBoost算法模型预测乳腺癌疾病优于其他算法模型,准确率为96.49％.通过综合评价机制考察发现,AdaBoost算法模型能从复杂的多因素中找到预测乳腺癌的重要影响因素,这对快速识别引起乳腺癌疾病的特征以及早期病人的有效治疗具有重要意义.     

软件项目管理流程分析与设计

针对软件项目和项目开发中的复杂性、易变性和不可预见性,研究了软件项目管理流程方法,设计了软件项目运作过程的总体流程,分析了各阶段流程的进入条件、主要工作过程和工作结果.     

LPGEMM:低精度通用矩阵乘法计算模拟框架研究

通用矩阵乘（GEMM）算子是AI模型的核心计算,使用低精度数值格式加速GEMM对加速模型的推理和训练有重要影响。由于并不总是有合适的硬件可供选择,而且人们可能希望实验尚未在硬件中实现的新GEMM计算行为,但很难通过构建硬件的方式去进行不同计算行为的GEMM模拟,如何在算子内部进行细粒度模拟还没有被深入研究。通过提出LPGEMM——一个低精度GEMM计算模拟框架来模拟GEMM的计算过程,重新编写了GEMM算子,实现了可变分组累加长度以及低精度累加器,同时还实现了训练和推理全过程的GEMM相关数据统计,来支持用户探索模型精度的下限。实验结果证实了相较于此前的一些工作,所提出的方法模拟最高可减少56%的平均误差。