如今人工智能与医疗行业的融合已经深入,本文建立在基于人工智能的专病临床辅助决策研发背景下,并将人工智能技术应用到医疗健康临床辅助诊疗决策中。在本文所研究的心电图(Electrocardiogram,ECG)领域,用于检测心率失常等心脏疾病的人工智能机器学习方法已经有很多,例如卷积神经网络(CNN)、支持向量机(SVM)、决策树(DT)等多种算法。目前也已有许多基于公开数据集的心电数据分类方法,并取得了良好的效果,但他们缺乏相应的医学可解释性,并且在面临真实世界数据集时,往往会存在数据分布不均衡,数据标注格式杂乱,用词不统一,数据标签稀缺,使用传统的分类器准确率低下等问题。针对以上问题,本文用SMOTE+ENN的集成算法改善了真实世界下数据分布不均衡的问题;针对数据标注杂乱与标签稀缺的问题,本文主要参照了MIT-BIH心律失常数据库(MITDB)中的专家标注与临床心电和相关医学领域的背景与专业知识,建立了面向上海某著名医院的数据标签库;针对传统的机器学习算法对真实世界数据准确率低下的问题,本文以随机森林算法为基础,并对其进行了调参和优化。因为随机森林给出的预测率并不是准确率,故本文采用袋外数据(Out of Bag:OOB)准确度作为评价指标。本文将上海某著名医院的心电数据应用于优化后的随机森林模型(ARF),并取得了良好的分类效果。实验结果表明该医院的二分类数据集OOB准确率达96.45%,多分类数据集OOB准确率达96.62%,其均在96%以上,验证了ARF模型在真实世界数据上分类的可用性。另外本文注重计算机与研究领域的应用和结合。其中与心电相关的医学领域背景与专业知识始终贯穿本研究,具体体现在:1.心电医疗领域知识对该医院心电特征提取的指导,提取出了对疾病诊断具有关键性意义的特征;2.心电医疗领域知识对该医院标签库构建的指导,构建出了17种针对该医院的心电类型;3.将心电医疗领域知识与计算机辅助诊疗分类模型相结合,增强了医学可解释性。本研究不光注重于数据的预处理以及分类算法准确率与性能的提升,也注重相应的医学可解释性,使得基于人工智能的临床辅助诊疗更好的与医学专业领域结合。