10.16337/j.1004-9037.2021.04.006
集成学习机制下的鼻炎辅助诊断模型
鼻炎(Rhinitis)是上呼吸道常见的慢性炎症,具有多种证型和体征.鼻炎临床分类具有样本类型多、类别不平衡特征,属于多输出分类范畴,常出现少数类样本识别率低、综合分类精度差的问题.为此,本文提出异质集成结构分类算法,将鼻炎多输出分类转化为多标签和多类别分类,采用集成学习算法构建异质集成分类器.该方法可根据子数据集中单一类标的不平衡度,自动调节集成森林基学习器数量和深度,有效减少不均衡样本对分类的影响,提高多数类和少数类的总体分类精度,进而提升集成模型的泛化能力.针对临床461例鼻炎样本进行交叉验证分类实验,本文分类模型灵敏度为74.9%,特异性为86.5%,准确度为92.0%,F1为0.783,AUC为0.953.与6种典型模型相比,本文模型具有更好的评估性能,更适合于鼻炎的早期临床诊断.
变应性鼻炎、集成学习、基学习器、多标签分类、异质结构
36
TP181(自动化基础理论)
国家自然科学基金;国家自然科学基金;上海市卫生健康委先进适宜技术推广资助项目;上海市科委中医引导类资助项目;上海市卫计委科研面上资助项目
2021-09-06(万方平台首次上网日期,不代表论文的发表时间)
共13页
684-696