以学位论文为数据基础,采用共现聚类及文本挖掘方法,从知识交叉和研究内容方面分析医学信息研究生教育的跨学科特征,指出对新技术及应用的研究较为薄弱、各学科研究内容侧重明显不同等问题,建议增加融合多学科的科研思维培养及训练.

[目的/意义]在颠覆性技术识别中引入技术不连续性理论,探索技术不连续性视角下颠覆性技术的客观识别方法,能够丰富和拓展颠覆性技术的识别方法研究,也有助于把握科技创新规律,为科技发展提供参考和指导.[方法/过程]首先,利用专利引文网络和遗传后向—前向路径方法确定主路径对技术演化进行追踪.其次,根据引用结构与路径汇聚情况计算指标,评估技术不连续性,筛选出具有高技术不连续性的专利.最后,结合所得专利的内容信息和技术领域的现状,识别与验证颠覆性技术.[结果/结论]以手术机器人作为实证领域,使用所构建的方法成功识别了领域中已产生颠覆性效应的技术,验证了方法的有效性.

[目的]对比基于集成学习算法与非集成学习算法构建的前列腺癌预测模型性能,选出最优算法和重要风险因素.[方法]基于KNN、决策树、支持向量机、BP神经网络4种非集成算法和AdaBoost、GradientBoost、XGBoost三种集成算法构建前列腺癌预测模型并验证模型效能,识别前列腺癌风险因素.[结果]非集成算法中决策树模型性能最优,准确率为0.9333,F1分数为0.9301,AUC为0.9145;集成算法中XGBoost模型性能最优,准确率为0.9573,F1分数为0.9624,AUC为0.9513.识别出总PSA、游离PSA等9个前列腺癌重要风险因素.[局限]实验数据集有待扩充,构建模型的算法有待增加.[结论]在前列腺癌预测模型性能和风险因素识别方面,集成学习算法整体上优于非集成学习算法.