首页 > 文献资料
-
医学数据及其应用
介绍了医学数据及医学数据系统,重点论述了医学数据挖掘,诸如RLIMS-P规则挖掘工具、PubGene关联分析系统、数据分析及知识关联服务等应用.
-
专题述评:医学文献群中隐含信息的揭示与表达
发展医学信息学,开展生物医学数据分析与文本挖掘技术研究是卫生部《医学科技发展“十二五”规划》中提出的重点任务之一.医学数据挖掘在当前医学信息学研究中,利用丰富的数据库资源和科学有效的方法挖掘、分析和发现医学领域的研究热点、学术前沿和学科发展方向是一项很有学术前景的研究内容,研究结果可以为推动医学科技的创新发展提供信息支撑.
-
生物医学网格及其应用
医学数据分布范围广且数量极其巨大.医学数据网格能在分散于各地的许多机构之间以协调、灵活、安全的方式共享资源,解决医学数据处理中的各种问题.由网格所构成的虚拟环境将有助于提高生物医学基础和临床研究的性能.
-
医学院校大学生数据挖掘IT技能培养的研究与实践
在网络、数字化信息迅速发展的今天,各行各业积累的数据越来越多,尤其在医院的工作流程中积累了大量的医学数据.毋庸置疑,我们已经处在一个真正的大数据时代,如何跟上时代发展,培养出适应时代需求的医学人才,是医学教育工作者面临的问题.数据挖掘(Data Mining)就是从大量的实际数据中提取隐含信息和知识的新型学科,在医学院校计算机课程中开设针对医学数据的数据挖掘课程,能够开发学生在大数据时代学习和工作中的潜能,培养高素质的医学人才.
-
大系统人工智能的医学路线
大系统医学人工智能在中国的第一次兴起,是伴随着微型计算机引入中国,时间点在上世纪八十年代,技术特征是模仿诊疗过程,典型应用集中在中医界,杰出代表是朱文锋教授[1]。但发展至上世纪九十年代中后期,由于大系统医学人工智能是一门复杂的交叉学科,对人才的复合技能要求非常高,特别是数学建模技能对于一些医学科研工作来说很难,从而使得医学人工智能的发展较为缓慢,科凌力智能也不例外,但一直在坚持。今天,阿尔法围棋(AlphaGo)的面世,又激起了我们坚持下去的勇气。
-
利用人工神经网络分析疾病的影响因素——以高血压为例
针对疾病产生原因的多样性和复杂性,以及具有丰富个人经验的临床医生对大样本量的资料的整合能力差这一事实,探讨利用人工神经网络算法对疾病的影响因素进行建模,后在Microsoft SQL Server 2005中以高血压的影响因素为例建立神经网络模型,分析其挖掘结果,并利用单独查询进行预测.