[发明专利]基于bagging算法的乳腺癌预测系统

说明书

本发明属于乳腺癌预测技术领域，尤其涉及基于bagging算法的乳腺癌预测方法，病例‑对照数据收集：基于乳腺癌防治相关知识设计调查问卷，问卷包含被认为对乳腺癌有影响的特征变量，通过该问卷收集来自中国三省一市25‑70岁122058名女性的乳腺疾病流行病学研究数据，记录病例‑对照数据备份，数据处理：对问卷收集来的数据进行数据清洗，删除重复信息以及缺失值或异常值过多的无效样本和特征变量。该基于bagging算法的乳腺癌预测方法，通过集成学习建立了一个有效的预测乳腺癌患病风险的模型，帮助医护人员预测处于乳腺癌的患者，及时并准确地对高危人群采取针对性的措施，这将有助于乳腺癌的辅助诊断和预防，为智能诊断作出贡献。

技术领域

本发明涉及乳腺癌预测技术领域，具体为基于bagging算法的乳腺癌预测系统。

背景技术

恶性肿瘤(癌症)已经成为严重威胁中国人群健康的主要公共卫生问题之一，其中乳腺癌为女性癌症之首。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。由于地区分布不均衡，乳腺癌防控形势严峻，防治难度巨大。因此，筛查重要影响因素，建立乳腺癌风险评估模型，预测乳腺癌发生概率，对乳腺癌的防治具有重要意义。常用乳腺癌风险模型包括：BOADICEA、BRCAPRO、BCRAT和IBIS。BOADICEA基于2785个家系进行更新，分离出537个BRCA1或BRCA2突变，能够针对多基因多癌症进行风险评估。BRCAPRO模型基于301个BRCA基因突变检测家族的数据，对基因外显功能进行了调整，充分考虑了家族史的重要性，但是忽略了Gail模型涉及的非家族史信息。Gail模型在1989年首次提出，是目前最为精确、权威、常用的乳腺癌风险评估模型。BCRAT模型即为改良Gail模型，目前也被美国癌症研究所(NCI)采用，作为乳腺癌风险评估工具模型。IBIS模型也称Tyrer-Cuzick模型，能够评估具有非典型增生的女性未来10年发展为乳腺癌的概率，但在个体层面上不能明确区分是否发生浸润性乳腺癌，显著高估了非典型妇女乳腺癌的风险。由于基因序列检测成本较高，考虑到医疗资源有限，特别是在我国农村地区，迫切需要一种适合一般人群筛查的风险预测模型。

近年来，机器学习算法在医疗领域的应用频率和研究深度增长迅速，已经有学者应用机器学习算法实现对部分疾病患病率的预测，且效果显著，集成学习是机器学习算法中较有特点的一类，它是按照将弱分类器集成为强分类器的思路来组合基础模型，集成学习模型除了在稳定性和泛化能力上相比传统模型表现突出，在最终的预测准确率上也相对较高。

疾病预测在根据真实数据建模的过程中，往往会遇到数据质量差、缺失值较多等问题，在数据预处理过程中，选择怎样的处理方式将使预测精度最高的问题；使用bagging集成学习框架并加以改进，以解决样本标签不足可能会产生的过拟合问题，并使融合后的模型较其他经典模型性能表现更好，同时筛选重要特征变量，使得预测模型在不损失预测精度的前提下得以简化，降低计算的复杂度。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了使用bagging集成学习框架并加以改进，以解决样本标签不足可能会产生的过拟合问题，并使融合后的模型较其他经典模型性能表现更好的问题，同时筛选重要特征变量，使得预测模型在不损失预测精度的前提下得以简化，降低计算的复杂度等优点，解决了疾病预测在根据真实数据建模的过程中，往往会遇到数据质量差、缺失值较多等问题，在数据预处理过程中，选择怎样的处理方式将使预测精度最高的问题。

(二)技术方案

为实现上述预测模型在不损失预测精度的前提下得以简化、降低计算的复杂度等目的，解决疾病预测在根据真实数据建模的过程中，往往会遇到数据质量差、缺失值较多等问题，本发明提供如下技术方案：基于bagging算法的乳腺癌预测系统，包括处理单元，处理单元执行以下步骤：

S1、病例-对照数据收集