医学临床诊断步骤

•  收集资料：①病史询问：客观而详细的病史资料对诊断由极大的帮助，甚至可以解决半数以上的诊断问题；②体格检查：在问诊基础上进行全面系统又重点深入的体检，可解决大部分临床诊断问题；③化验及辅助检查：在问诊及体检的基础上选择适当的辅助检查，使临床诊断更及时而准确。 

•  资料的综合分析：通过对以上资料的综合分析，抓住主要矛盾，做出初步诊断。 

•  验证或修正诊断：通过对病情变化的细致观察、进一步检查及对治疗疗效的观察，在临床实践中验证或修正诊断。 

•  临床思维方法 

•  床思维的 10个步骤。 

•  （循证医学）基本原则：①实事求是的原则：避免主观臆想，减少误诊；②“一元论”原则：尽量用一个疾病去解释多种临床表现；③用发病率和疾病谱观点选择诊断的原则：诊断时首先考虑常见病、多发病；④先考虑器质性疾病，后考虑功能性疾病的原则：以免延误了疾病的治疗时机；⑤首先考虑可治性疾病的原则：在没有完全确诊为不可治疾病以前，先考虑可治性疾病，这样可最大程度的减少诊断过程中的周折。⑥简化思维程序的原则：抓住关键和特征，在最小范围内选择最大可能的诊断，以给病人最及时的处理。 

•  常见误诊、漏诊的原因：①资料收集不完整、不确切；②临床观察不细致、检验结果误差；③先入为主、主观臆断；④医学知识不足，缺乏临床经验。 

•  临床诊断 

•  诊断的种类：①直接诊断：病情简单、直观；②排除诊断：病情不十分典型，有 1—2个其他诊断需进一步排除；③鉴别诊断：病情复杂，由多种可能的诊断，需进一步鉴别，逐步确定诊断。 

•诊断内容：①病因诊断；②病理解剖诊断；③病理生理诊断；④疾病的分型与分期；⑤并发症的诊断；⑥伴发疾病的诊断。

支持向量机

支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik8等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

简介

　　支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力 。 

相关知识

　　我们通常希望分类的过程是一个机器学习的过程。这些数据点是n维实空间中的点。我们希望能够把这些点通过一个n-1维的超平面分开。通常这个被称为线性分类器。有很多分类器都符合这个要求。但是我们还希望找到分类最佳的平面，即使得属于两个不同类的数据点间隔最大的那个面，该面亦称为最大间隔超平面。如果我们能够找到这个面，那么这个分类器就称为最大间隔分类器。 

支持原因

　　支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》。 

支持向量概述

　　所谓支持向量是指那些在间隔区边缘的训练样本点。 这里的“机（machine,机器）”实际上是一个算法。在机器学习领域，常把一些算法看做是一个机器。 

　　支持向量机(Support vector machines，SVM)与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。 

相关技术支持

　　支持向量机是由Vapnik领导的AT&TBell实验室研究小组在1963年提出的一种新的非常有潜力的分类技术，SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。由于当时这些研究尚不十分完善，在解决模式识别问题中往往趋于保守，且数学上比较艰涩，这些研究一直没有得到充分的重视。直到90年代，统计学习理论 (Statistical Learning Theory，SLT)的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难，比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等，使得SVM迅速发展和完善，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。从此迅速的发展起来，现在已经在许多领域(生物信息学，文本和手写识别等)都取得了成功的应用。 

　　SVM的关键在于核函数。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。在SVM理论中，采用不同的核函数将导致不同的SVM算法。