胎盘植入(Placenta accreta,PA)是指胎盘绒毛侵入到子宫肌层中并扎根于子宫壁内,植入部分不能正常自行剥离,若进行人工剥离则会损伤子宫肌层并可能导致患者大出血,子宫穿孔,休克,继发感染,或导致死亡,部分患者由于产后出血严重而被迫执行子宫切除手术。在医学领域胎盘植入的研究一直受到国内外医学家的广泛关注,但传统研究多集中于手术的有效性以及安全性,对于胎盘植入病症的预防与产前诊断的研究为(?)性分析,尚牌控究阶段。本课题通过现有的医学数据,针对PA病情,制定相应的数据模型,实现PA产前智能预测。本文首先根据PA临床医学数据集合的特点,对PA发病的关联因素进行特征提取,提取出特征集合后,基于该特征集合构建了 PA的隐马尔科夫模型,并通过优化特征权重,提高预测准确率。具体而言,本文工作主要包括以下三个部分:(1)使用灰色综合关联度和熵值法相结合的PA特征提取算法。由于PA的病情复杂,发病因素较多,无法通过产前检诊数据直接判断孕妇患病与否及患病程度。因此,针对PA的患病关联因素较多和不易确定的特性,本文提出一种灰色综合关联度和熵值法相结合的方法分析孕妇产前临床医学检查数据,提取诱发胎盘植入发生的关联因素集合。通过实验证明,相较于Relief算法和纯灰色综合关联度算法,本文选择使用的算法能够在减少人为因素引入数据干扰项的前提下,提高关联因素提取的准确率。(2)基于PA的隐马尔科夫模型。根据PA的病症特点,需要关联因素集合包含的多个特征综合评估孕妇的病症状况。传统的隐马尔科夫模型,由于其观察状态是单个的,不适用于PA预测。因此本文构建多状态的隐马尔科夫模型PA-HMM,通过模型的迭代计算,最终获得患病概率,由此来评估孕妇的患病情况。通过实验对比,PA-HMM与SVM,NN等传统的方法相比,具有更高的准确率。(3)模型优化与预测软件的设计与实现。在上述研究中,根据PA关联因素构建的隐马尔科夫模型,其不同特征之间的权重比相同,因此需要优化PA-HMM模型。本文通过PCA和信息熵相结合的方法,为该模型的特征分配相应的权重系数。进一步基于临床医学检查数据,设计PA产前预测软件的各功能模块,最终实现该系统软件。