【技术实现步骤摘要】
病理数据分析方法、装置、设备及存储介质
本专利技术涉及机器学习领域，尤其涉及一种病理数据分析方法、装置、设备及存储介质。
技术介绍
在医学领域，随着技术的发展，医院的管理系统收集了大量病人的病理数据。这些病理数据可以结合聚类算法，将病理数据划分为多个集合，每个集合对应一种病情。这样可帮助医生实现对属于疑难杂症的病人进行确诊。而聚类算法是一种涉及对数据进行无监督分组的一种算法。聚类算法又称聚类分析，是研究数据分类问题的一种统计分析方法，同时也是数据挖掘的一种重要的手段。在给定的数据集中，通过聚类算法将数据集划分成不同的组后，需要对聚类结果进行评价，以评估聚类结果的好坏。轮廓系数(SilhouetteCoefficient)是一种聚类结果评价方法，用于评估无监督聚类算法的效果，以便在聚类过程中用于簇(即分组)的个数的确定。轮廓系数结合聚类的凝聚度(Cohesion)和分离度(Separation)对聚类效果进行评价。轮廓系数的取值范围为[-1,1]，值越大，说明聚类效果越好。然而，轮廓系数的时间复杂度非常...
【技术保护点】
1.一种病理数据分析方法，其特征在于，包括：/n获取病理数据样本集的聚类结果，所述聚类结果将所述病理数据样本集划分为若干个簇，所述簇由多个病理样本点i组成，所述病理数据样本集的病理样本点i的数量大于预设数量阈值；/n根据所述聚类结果计算各个所述簇的中心点；/n计算病理样本点i与各个所述簇的中心点的距离；/n根据所述病理样本点i与各个所述簇的中心点的距离计算所述病理样本点i的调整轮廓系数，计算公式如下：/n
【技术特征摘要】
1.一种病理数据分析方法，其特征在于，包括：
获取病理数据样本集的聚类结果，所述聚类结果将所述病理数据样本集划分为若干个簇，所述簇由多个病理样本点i组成，所述病理数据样本集的病理样本点i的数量大于预设数量阈值；
根据所述聚类结果计算各个所述簇的中心点；
计算病理样本点i与各个所述簇的中心点的距离；
根据所述病理样本点i与各个所述簇的中心点的距离计算所述病理样本点i的调整轮廓系数，计算公式如下：
上式中，sc(i)表示病理样本点i的调整轮廓系数；ac(i)表示病理样本点i与其所在簇的中心点的距离；bc(i)表示与病理样本点i最近的簇的中心点与病理样本点i的距离；
计算所有所述病理样本点i的调整轮廓系数的平均数，获得所述聚类结果的调整轮廓系数；
根据所述聚类结果的调整轮廓系数确定所述聚类结果的优劣；
在所述聚类结果为优时，获取待处理的病理数据样本；
根据所述聚类结果对所述待处理的病理数据样本进行分类，并生成与所述待处理的病理数据样本对应的病理分析数据。
2.如权利要求1所述的病理数据分析方法，其特征在于，所述计算所有所述病理样本点i的调整轮廓系数的平均数，获得所述聚类结果的调整轮廓系数之后，还包括：
计算多个聚类结果的调整轮廓系数；
将调整轮廓系数最高的聚类结果确定为所述病理数据样本集的最优聚类结果。
3.如权利要求1所述的病理数据分析方法，其特征在于，所述计算所有所述病理样本点i的调整轮廓系数的平均数，获得所述聚类结果的调整轮廓系数之后，还包括：
判断所述聚类结果的调整轮廓系数是否大于预设系数阈值；
若所述聚类结果的调整轮廓系数大于预设系数阈值，则将所述聚类结果确定为所述病理数据样本集的优选聚类结果。
4.如权利要求1所述的病理数据分析方法，其特征在于，所述获取聚类结果，所述聚类结果将病理数据样本集划分为若干个簇之前，包括：
获取所述病理数据样本集；
基于K-Means聚类算法计算所述病理数据样本集的所述聚类结果。
5.如权利要求1所述的病理数据分析方法，其特征在于，所述获取聚类结果，所述聚类结果将病理数据样本集划分为若干个簇之前，包括：
获取所述病理数据样本集；
基于凝聚层次聚类算法计算所述病理数据样本集的所述聚...
【专利技术属性】
技术研发人员：蔡金成，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。