[发明专利]一种基于集成学习的晚期胃癌生存预测方法

权利要求书

1.一种基于集成学习的晚期胃癌生存预测方法，其特征在于，包括以下步骤：

获取病例数据并进行数据筛选，得到数据集；

构建预测模型并基于数据集对预测模型进行训练，得到训练完备的预测模型；

基于混淆矩阵和工作曲线评价训练完备的预测模型。

2.根据权利要求1所述一种基于集成学习的晚期胃癌生存预测方法，其特征在于，所述获取病例数据并进行数据筛选，得到数据集这一步骤，其具体包括：

从SEER数据库下载病例数据；

根据预设规则对病例进行筛选，得到筛选后的病例数据；

对筛选后的病例数据进行统计分析，确定纳入的变量；

根据筛选后的病例数据构建数据集。

3.根据权利要求2所述一种基于集成学习的晚期胃癌生存预测方法，其特征在于，所述纳入的变量包括年龄、婚姻状态、肿瘤部位、肿瘤分级、骨转移、肝转移、肺转移、脑转移、原发部位手术、淋巴结手术、化疗和肿瘤大小。

4.根据权利要求3所述一种基于集成学习的晚期胃癌生存预测方法，其特征在于，所述构建预测模型并基于数据集对预测模型进行训练，得到训练完备的预测模型这一步骤，其具体包括：

选择备选算法并基于备选算法分别建立预测模型；

结合数据集和网格搜索法对预测模型进行优化训练，得到训练完备的预测模型。

5.根据权利要求4所述一种基于集成学习的晚期胃癌生存预测方法，其特征在于，所述备选算法包括逻辑回归、K最近邻、支持向量机、随机森林和轻量级梯度提升树分类算法。

6.根据权利要求5所述一种基于集成学习的晚期胃癌生存预测方法，其特征在于，所述基于混淆矩阵和工作曲线评价训练完备的预测模型这一步骤，其具体包括：

基于混淆矩阵的评价指标，选择准确率、灵敏度、f1值和AUC共同评价预测模型的性能；

构建ROC工作曲线；

结合准确率、灵敏度、f1值、AUC和ROC工作曲线评价训练完备的预测模型。

7.根据权利要求6所述一种基于集成学习的晚期胃癌生存预测方法，其特征在于，变量的重要性排序依次为肿瘤部位、年龄、婚姻状态、肿瘤分级、肝转移、化疗、肿瘤大小、淋巴结手术、原发部位手术、骨转移、肺转移和脑转移。

8.根据权利要求7所述一种基于集成学习的晚期胃癌生存预测方法，其特征在于，还包括：

获取待预测数据并提取待测数据的变量；

将待测数据的变量输入训练完备的预测模型进行生存预测。