集成学习机制下的鼻炎辅助诊断模型

TP181; 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％,...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 36; no. 4; pp. 684 - 696
Main Authors 杨晶东, 孟一飞, 荀镕基, 余少卿
Format Journal Article
LanguageChinese
Published 上海理工大学光电信息与计算机工程学院,上海 200093%同济大学附属同济医院耳鼻咽喉头颈外科,上海200065 01.07.2021
Subjects
多标签分类
集成学习
基学习器
变应性鼻炎
异质结构
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2021.04.006

Cover

More Information
Summary:TP181; 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.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2021.04.006