基于集成学习构建围绝经期综合征中医智能诊断模型

姚帅君; 闫敬来; 杜彩凤; 杨继红

doi:10.13288/j.11-2166/r.2023.06.007

您当前的位置：

首页 >

文章列表页 >

基于集成学习构建围绝经期综合征中医智能诊断模型

思路与方法 | 更新时间：2023-03-13

- 基于集成学习构建围绝经期综合征中医智能诊断模型
- Research on Intelligent Diagnosis Model of Traditional Chinese Medicine based on Ensemble Learning： Taking Perimenopausal Syndrome as an Example
- 中医杂志 2023年64卷第6期页码：572-580
- 作者机构：
  
  山西中医药大学，山西省晋中市高校园区大学街121号，030619
- 作者简介：
  
  yangjh10@163.com
- 基金信息：
  
  国家自然科学基金(81904247)
- DOI：10.13288/j.11-2166/r.2023.06.007
  中图分类号：
- 收稿：2022-07-22，
  
  修回：2022-12-02，
  
  纸质出版：2023-03-17
- 稿件说明：
移动端阅览
姚帅君,闫敬来,杜彩凤等.基于集成学习构建围绝经期综合征中医智能诊断模型[J].中医杂志,2023,64(06):572-580.

YAO Shuaijun,YAN Jinglai,DU Caifeng,et al.Research on Intelligent Diagnosis Model of Traditional Chinese Medicine based on Ensemble Learning： Taking Perimenopausal Syndrome as an Example[J].Journal of Traditional Chinese Medicine,2023,64(06):572-580.
姚帅君,闫敬来,杜彩凤等.基于集成学习构建围绝经期综合征中医智能诊断模型[J].中医杂志,2023,64(06):572-580. DOI： 10.13288/j.11-2166/r.2023.06.007.

YAO Shuaijun,YAN Jinglai,DU Caifeng,et al.Research on Intelligent Diagnosis Model of Traditional Chinese Medicine based on Ensemble Learning： Taking Perimenopausal Syndrome as an Example[J].Journal of Traditional Chinese Medicine,2023,64(06):572-580. DOI： 10.13288/j.11-2166/r.2023.06.007.

摘要

目的

基于集成学习中的模型融合方法建立围绝经期综合征中医智能化诊断模型。

方法

检索中国知网（CNKI）、万方数据知识服务平台（WF）、维普中文科技期刊数据库（VIP）、中国生物医学文献服务系统（CBM）以及古今医案云平台自建库至2022年5月20日收录的中医诊治围绝经期综合征的医案数据1021个，以此建立数据集。将1021个数据样本按7∶3比例分为训练集714个和测试集307个。利用随机森林、支持向量机、人工神经网络分别构建围绝经期综合征辨证诊断模型，通过各分类器模型学习数据集并进行预测。通过网格搜索法进行模型的超参数调优，然后通过异质集成的方法对三种分类器模型进行融合，组成一个强学习器，以准确率、精确率、召回率、f1分数、受试者工作特征曲线下面积（AUC值）等作为模型的评价指标。

结果

分别构建了随机森林、支持向量机、神经网络、集成模型对其进行评估，其准确率分别为0.84、0.86、0.85、0.87；精确率分别为0.85、0.86、0.85、0.87；召回率分别为0.84、0.86、0.85、0.87；f1分数分别为0.84、0.86、0.85、0.87；AUC值分别为0.98、0.97、0.97、0.98。各指标均以集成模型最优。

结论

集成模型能够综合各个弱监督模型的优点，具有更好的稳定性，其性能和泛化能力都优于单一学习器，其结果对于临床中医诊断具有重要的参考价值。

Abstract

Objective

To set up a traditional Chinese medicine （TCM） intelligent diagnosis model of perimenopausal syndrome based on the model fusion method in ensemble learning.

Methods

The databases including CNKI，WanFang Data，VIP，CBM as well as the ancient and modern medical case cloud platform were searched from inception date to May 20th， 2022，to collect the 1021 data samples of medical cases of perimenopausal syndrome treated by TCM and then establish the data set. The 1021 data samples were divided into training set（n = 714） and test set（n = 307） by a ratio of 7∶3. Random forest， support vector machine and artificial neural network were used to build the syndrome differentiation diagnosis models of perimenopausal syndrome，and the above classifier models were used to learn the data set and make predictions. Then the hyper-parameters of the models were optimized by grid search method，and the three classifier models were fused by heterogeneous integration method to form a strong learner. And the accuracy， precsion，recall， f1 score，and the area under the curve （AUC） value were taken as the evaluation indicators of models.

Results

The accuracy rate of random forest， support vector machine， neural network and ensemble model was 0.84， 0.86， 0.85， and 0.87， respectively； the corresponding precsion rates were 0.85， 0.86， 0.85 and 0.87； the recall rates were 0.84， 0.86， 0.85， and 0.87， respectively； the f1 scores were 0.84， 0.86， 0.85 and 0.87；the AUC values were 0.98， 0.97， 0.97 and 0.98. The ensemble model was optimal in all indicators.

Conclusion

The ensemble model which has better stability can synthesize the advantages of each weak supervision model， and its performance and generalization ability are better than that of a single learner， thereby having significant reference value for clinical diagnosis in TCM.

关键词

Keywords

references

刘碧岩 . 妇产科学［M］. 长春：吉林科学技术出版社， 2019 ： 312 - 315 .

柳河 . 新编内分泌代谢病学［M］. 长春：吉林科学技术出版社， 2019 ： 318 - 326 .

刘雁峰，王铁峰 . 中西医结合治疗围绝经期综合征述评［J］. 北京中医药大学学报， 2022 ， 45 （ 1 ）： 15 - 20 .

张婷婷，王亚强，温川飙，等 . 论智能中医辨证可解释研究的挑战和研究思路［J］. 中医杂志， 2022 ， 63 （ 6 ）： 506 - 510 .

许梦白，刘雁峰，赵宗耀，等 . 基于人工智能的不孕症中医辨证模型的构建与应用［J］. 中华中医药杂志， 2021 ， 36 （ 9 ）： 5532 - 5536 .

高婉卿，程宁，李力松，等 . 机器学习在方剂研究中的应用概述［J］. 中国中医药信息杂志， 2021 ， 28 （ 6 ）： 131 - 137 .

杨佳澄 . 基于群体智能的中医辨证诊断研究［D］. 兰州：兰州交通大学， 2019 .

杨涛，朱学芳 . 中医辨证智能化研究现状及发展趋势［J］. 南京中医药大学学报， 2021 ， 37 （ 4 ）： 597 - 601 .

方朝晖 . 中西医结合内分泌代谢疾病诊治学［M］. 北京：中国中医药出版社， 2013 ： 186 - 188 .

范红霞，王霞灵，等 . 妇产科中西医结合诊疗技巧［M］. 广州：广东科技出版社， 2005 ： 341 - 343 .

刘敏如 . 中医妇科学［M］. 成都：四川科学技术出版社， 2007 ： 96 - 100 .

国家中医药管理局 . 中医病证诊断疗效标准［S］. 北京：中国医药科技出版社， 2012 ： 241 .

黎敬波，马力 . 中医临床常见症状术语规范［M］. 北京：中国医药科技出版社， 2005 .

朱兆鑫，杨珊珊，彭安杰，等 . 基于自适应矩估计的BP神经网络对中医痛经证型分类的研究［J］. 世界科学技术-中医药现代化， 2021 ， 23 （ 12 ）： 4560 - 4568 .

李靖 . 基于注意力神经网络的Z玻色子标注［D］. 大连：大连理工大学， 2021 .

丁光磊 . 面向研究过程的任务通用型深度学习框架的设计与实现［D］. 北京：北京邮电大学， 2020 .

MOLNAR C . Interpretable Machine Learning .A Guide for Making Black Box Models Explainable ［EB/OL］.（ 2019-02-21 ）［ 2022-06-30 ］. https：//christophm.github. io/interpretable-ml-book/ https://christophm.github.io/interpretable-ml-book/ .

刘金涛，尚津锋，吴宇峰，等 . 基于随机森林算法的我国东北和西南地区名老中医治疗失眠异同比较［J］. 中国中医药信息杂志， 2022 ， 29 （ 7 ）： 1 - 8 .

蔡晓路 . 基于随机森林的类风湿关节炎证型判别模型研究［D］. 北京：北京中医药大学， 2016 .

李航 . 统计学习方法［M］. 北京：清华大学出版社， 2019 ： 111 .

许明东，马晓聪，岳桂华，等 . 基于支持向量机的高血压中医证候与血脂、血尿酸、空腹血糖关系的研究［J］. 时珍国医国药， 2016 ， 27 （ 12 ）： 3063 - 3065 .

徐亮，陈守强，侯建辉，等 . 基于BP神经网络的中医辨证模型构建方法探讨［J］. 世界中医药， 2016 ， 11 （ 2 ）： 335 - 338 .

廖星宇 . 深度学习入门之PyTorch ［M］. 北京：电子工业出版社， 2017 ： 86 - 87 .

付姝菲，刘宏艳，任海燕，等 . BP神经网络在中医药研究领域中的应用［J］. 医学信息， 2021 ， 34 （ 12 ）： 12 - 18 .

周志华 . 机器学习［M］. 北京：清华大学出版社， 2016 ： 171 .

高泽伦 . 基于机器学习的疾病诊断模型研究［D］. 兰州：西北师范大学， 2021 .

张蓓蓓，胡敏 . 基于网格搜索改进随机森林的顾客满意度预测［J］. 北京信息科技大学学报（自然科学版）， 2021 ， 36 （ 4 ）： 50 - 53，58 .

陈珂锐，孟小峰 . 机器学习的可解释性［J］. 计算机研究与发展， 2020 ， 57 （ 9 ）： 1971 - 1986 .

LUNDBERG S ， LEE SI . A unified approach to interpreting model predictions ［EB/OL］.（ 2017-12-04 ）［ 2022-05-01 ］. https：//proceedings.neurips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf https://proceedings.neurips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf .

LI R ， SHINDE A ， LIU A ， et al . Machine learning-based interpretation and visualization of nonlinear interactions in prostate cancer survival ［J］. JCO Clin Cancer Inform ， 2020 ： 637 - 646 . doi： 10.1200/CCI.20.00002 http://dx.doi.org/10.1200/CCI.20.00002 .

罗妍，王枞，叶文玲 . 基于XGBoost和SHAP的急性肾损伤可解释预测模型［J］. 电子与信息学报， 2022 ， 44 （ 1 ）： 27 - 38 .

吕春梅，徐一丹，申思，等 . 围绝经期女性生活质量影响因素的路径分析［J］. 中华现代护理杂志， 2016 ， 22 （ 28 ）： 4025 - 4029 .

舒琛洁，梁浩，刘淑明，等 . 机器学习算法对证候要素“气虚”辅助诊断的性能评估［J］. 北京中医药大学学报， 2021 ， 44 （ 10 ）： 928 - 934 .

曹云，卢毅，陈建新，等 . 基于机器学习的胃食管反流病中医智能辨证模型的应用［J］. 北京中医药大学学报， 2019 ， 42 （ 10 ）： 869 - 874 .

徐云浩，王洋，陶文娟，等 . 中医辨证的象思维属性及对微观辨证的指导价值［J］. 中医杂志， 2022 ， 63 （ 10 ）： 901 - 904 .

张伟妃，张彦博，张瑞义，等 . 基于多种信息处理方法的大肠癌中医证候模型的构建［J］. 中华中医药杂志， 2021 ， 36 （ 2 ）： 1034 - 1038 .

吴嘉乐 . 异质集成学习器在鸢尾花卉分类中的应用［J］. 中国设备工程， 2018 （ 20 ）： 229 - 231 .

邹永杰 . 基于特征提取的分类集成在脾虚证诊断中的应用［D］. 广州：暨南大学， 2008 .

周璐，李光庚，孙燕，等 . 复合结构智能化辨证选方模型的构建［J］. 世界中医药， 2018 ， 13 （ 2 ）： 479 - 483 .

任雪，郭燕 . 基于主动集成学习的中医智能诊断模型及构建方法［J］. 中国循证医学杂志， 2019 ， 19 （ 9 ）： 1118 - 1123 .

张玉玺 . 基于集成学习的结直肠癌辨证分型模型研究［D］. 贵州：贵州大学， 2020 .

罗思言，王心丹，饶向荣 . 人工智能在中医诊断中的应用进展［J］. 中国医学物理学杂志， 2022 ， 39 （ 5 ）： 647 - 654 .

文志华，夏帅帅，刘东波，等 . 中医智能辨证诊断技术的演进与问题探讨［J］. 世界科学技术-中医药现代化， 2021 ， 23 （ 11 ）： 4298 - 4304 .

查看原文

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

人工智能赋能下中医诊断学的研究进展及发展对策

复杂性科学思想指导下人工智能驱动中医药守正创新的研究路径探讨

基于深度学习的桡骨远端骨折掌倾角与尺偏角自动测量模型构建及临床验证

基于多模态大模型中医大数据平台的多中心社区获得性肺炎真实世界队列的构建与应用

人工智能赋能名医经验传承存在的问题与思考