[發(fā)明專利]一種機器學習糖尿病視網(wǎng)膜病變發(fā)病風險預(yù)測方法及應(yīng)用

在審

• 申請?zhí)枺?/td>: 202110232854.2
• 申請日: 2021-03-03
• 公開（公告）號: CN112786203A
• 公開（公告）日: 2021-05-11
• 發(fā)明（設(shè)計）人: 房中則;劉永哲;高小茜;王婉瑩;李欣
• 申請（專利權(quán)）人: 天津醫(yī)科大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G16H50/70;G16H15/00;G06K9/62
• 代理公司: 天津市杰盈專利代理有限公司 12207
• 代理人: 朱紅星

1.一種機器學習糖尿病視網(wǎng)膜病變發(fā)病風險預(yù)測方法，其特征在于包括數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、機器學習模塊和顯示輸出模塊，其中：

（1）數(shù)據(jù)獲取模塊：連接醫(yī)院數(shù)據(jù)庫，用于獲取醫(yī)院數(shù)據(jù)庫中2型糖尿病患者的臨床病例數(shù)據(jù)，每個臨床病例數(shù)據(jù)包括患者的代謝組學數(shù)據(jù)和對應(yīng)的臨床檢驗結(jié)果，其中，代謝組學數(shù)據(jù)應(yīng)包括氨基酸與氨基酸比值及肉堿與肉堿比值；

（2）數(shù)據(jù)預(yù)處理模塊：該模塊的輸入端與數(shù)據(jù)獲取模塊的輸出端連接，進行數(shù)據(jù)缺失值插補、抽樣、標準化和刪去近似零方差特征；

使用隨機森林模型進行數(shù)據(jù)缺失值插補；使用bootstrap進行數(shù)據(jù)抽樣，使樣本數(shù)據(jù)中糖尿病視網(wǎng)膜病變患者和非糖尿病視網(wǎng)膜病變患者數(shù)量相同；使用歸一化和離散化處理進行數(shù)據(jù)標準化，將患者的代謝組學數(shù)據(jù)的度量單位和格式進行統(tǒng)一；刪去近似零方差變量的目的是去除樣本數(shù)據(jù)中的不平衡變量，以得到穩(wěn)定理想的模型；

（3）機器學習模塊：輸入端與數(shù)據(jù)預(yù)處理模塊的輸出端連接，該模塊的結(jié)構(gòu)如下：

① 數(shù)據(jù)集劃分：使用bootstrap將樣本數(shù)據(jù)劃分為訓練集和測試集，劃分比例為2:1；

② 特征變量篩選：使用隨機森林進行特征變量篩選；

③ 構(gòu)建隨機森林模型和支持向量機模型：根據(jù)篩選后的變量構(gòu)建隨機森林模型和支持向量機模型，使用N折交叉驗證重抽樣進行參數(shù)調(diào)整，選擇最優(yōu)模型；

④ 內(nèi)部驗證：使用最優(yōu)隨機森林模型和支持向量機模型對測試集進行內(nèi)部驗證，使用曲線下面積、假陽性率、假陰性率和準確率評估模型的預(yù)測能力；

⑤ 外部驗證：基于獨立驗證集進行預(yù)測，并根據(jù)上述評估指標對模型的預(yù)測能力進行評估；

（4）顯示輸出模塊：將顯示輸出模塊的輸入端與機器學習模塊的輸出端連接，輸出模型的風險預(yù)測結(jié)果，其中，結(jié)果“1”表示存在糖尿病視網(wǎng)膜病變患病風險，結(jié)果“0”表示沒有糖尿病視網(wǎng)膜病變患病風險。

2.權(quán)利要求1所述機器學習糖尿病發(fā)病風險預(yù)測方法可用于非醫(yī)護人員進行疾病風險檢測或輔助臨床決策。