[发明专利]一种基于异构集成模型的疾病预测系统

说明书

本发明提出一种基于异构集成模型的疾病预测方法及系统，涉及智能医疗以及医疗信息技术领域，该方法包括步骤1，获取多标签数据集，并训练K个适用于门诊病例数据集的多标签基础分类器，对所述多标签基础分类器进行集成，获取异构集成模型；步骤2，获取预测多标签样本，通过所述异构集成模型对所述待预测多标签样本进行预测。本发明将各个基分类器权重的确定转变为一回归问题，通过求解该回归问题从而求解出集成分类器中各个基分类器的权重，继而使得该集成分类器效果达到最好。

技术领域

本发明涉及智能医疗以及医疗信息技术领域，特别涉及一种基于异构集成模型的疾病预测方法及系统。

背景技术

信息技术的快速发展促进了医疗数据的信息化，越来越多的信息技术手段也应用到了医学领域，其中，智能医疗辅助诊断系统近年来得到了越来越多地人的研究。最早的医疗辅助诊断系统是美国斯坦福大学的Buchanan和 Shortliffe等人开发的基于专家规则的辅助医疗诊断系统MYCIN，用于鉴别细菌感染并提供治疗方案。该系统是一个功能较为全面的临床决策支持系统，其总结了400多种体现专家诊断疾病的规则以模仿专家的推理过程。经专家小组对医学专家、实习医生以及MYCIN系统的行为进行正式测试评价,认为 MYCIN的行为超过了临床医生助手的作用。随后基于各种机器学习和数据挖掘的疾病辅助诊断方法和系统相继被提出或研究出来。论文“S.K.Inouye,C.M. Viscoli,R.I.Horwitz,L.D.Hurst,and M.E.Tinetti,A predictive model for delirium in hospitalizedelderly medical patients based on admission characteristics,Annals ofInternal Medicine,vol.119,pp.474-81,1993.”提出了一种基于视力障碍、严重疾病、认知障碍和高血尿素氮肌酐比的预测谵妄症的模型。贝叶斯理论非常直观，不同特征的先验概率对结果具有不同的贡献率，使模型的结果具有更强的现实意义。陈景旺等人提出了一个基于产生式规则以及冲突消解急性腹痛辅助诊断系统。该系统采用正向推理以及深度优先结合剪枝的搜索策略，一步步匹配用户的输入直到寻找一个答案。李德云，刘桂萍等针对常见在治疗常见轻微疾病的过程中存在的问题,提出了并开发了一个基于 Web的常见疾病自我诊断系统。该系统采用带有可信度的产生式规则表示法来表示常见病诊断知识,采用正反向混合推理模式,通过可信度的传递以及结论阈值的设定,实现了疾病预测的数字化。杨雪，周雪忠等人基于临床实际的中医病例数据，提出一基于案例推理的中医临床诊疗决策支持系统，该系统从中医临床数据仓库中筛选加工形成中医临床效验案例库，通过计算真实案例与效验案例间的相似度来作智能诊断。论文“M.J.Prince,Predicting theonset of Alzheimer's disease using Bayes'theorem,American Journal ofEpidemiology,vol. 143,pp.301-8,1996.”将贝叶斯模型用于预测阿尔茨海默病，模型在临床患者中获得良好的效果。此外，论文“J.Friedman,T.Hastie,and R.Tibshirani, Additive logistic regression:a statistical view of boosting(with discussionand a rejoinder by the authors),The annals of statistics,vol.28,pp.337-407,2000.”指出，增强统计算法可以根据众所周知的统计性原理即加性建模和最大似然来理解。在此观察基础上，作者提出了增强决策树的替代公式，其具有更好的性能和更快的计算速度。近年来的神经网络的发展为医疗辅助诊断系统带来了新的机会。论文“M.Green,J.J.Forberg,U.Ekelund,L.Edenbrandt,and M. Ohlsson,Comparison betweenneural networks and multiple logistic regression to predict acute coronarysyndrome in the emergency room,Artificial intelligence in medicine,vol.38,pp.305-318,2006.”对比了人工神经网络和逻辑回归模型在医疗辅助诊断预测上的效果，作者分别采用它们来训练预测模型从而检测急性冠状动脉综合征(ACS)，结果表明人工神经网络在诊断疾病冠状动脉综合征上效果明显优于逻辑回归。Das“R.Das,I.Turkoglu,andA.Sengur,Diagnosis of valvular heart disease through neural networksensembles,Computer methods and programs in biomedicine,vol.93,pp.185-191,2009.”提出了一种诊断瓣膜性心脏病的集成学习方法，其使用神经网络模型作为基础模型，并组合多个神经网络模型以建立更强的神经网络模型。Silipo&Marchesi，Amari&Cichocki， Ubeyli等人率先将RNN应用到生理信号的处理上，包括心电图的分析等；Tresp&Briegel等人使用RNN来进行血糖的检测。Pollastri，Xu，Vohradsky等人利用深度神经网络来进行基因序列的预测。Dabek&Caban对人的心理状态进行研究，提出一种基于深度学习技术的建模方法。Rughani则使用深度神经网络来对人类的头痛进行建模分析。为了提高医疗诊断预测模型的效果，更多的因素被考虑进来，论文“O.Y.Atkov,S.G.Gorokhova,A.G.Sboev,E.V.Generozov, E.V.Muraseyeva,S.Y.Moroshkina,et al.,Coronary heartdisease diagnosis by artificial neural networks including geneticpolymorphisms and clinical parameters,Journal of Cardiology,vol.59,pp.190-194,2012.”提出了一种基于传统疾病特征和劳动性疼痛这样的遗传因素的人工神经网络模型，以诊断冠心病，实验表明加入更多的信息后，诊断效果具有很大的提升。侯桂英，孙佰清等利用人工神经网络和专家系统相结合的方法，对100份高血压病例提取特征进行训练构建预测模型，再使用该模型根据高血压病症的特征进行诊断。