基于多层次集成学习的骨质疏松辅助诊断研究

摘要

目的原发性骨质疏松是一种起病隐匿、病程较长,在中老年人中高发的疾病,其可引起包括骨折在内的一系列严重症状,是我国中老年人致残致死的主要原因之一。与骨质疏松相关的生理检验指标有很多,如何筛选利用这些指标为诊断服务、建立诊断模型,尚未有成熟、统一的方法。方法利用人工智能相关技术,对临床骨质疏松患者指标使用多种特征相关性算法进行特征选择,并在此基础上提出了一种多层次的集成学习框架:SAB-SVMKNN算法,其通过将内部同质学习器集成和外部异质学习器集成结合,将集成学习中的Boosting算法和Bagging算法使用Stacking进行集成,构建性能更强,适应性更好地诊断预测模型。结果使用特征选择从原始数据中的31项临床指标中筛选了对于骨质疏松最重要的8种相关特征,通过这种方式使各模型准确率平均提高了9.2%,且该研究对应的模型准确率提升18.6%,最终达到了94.8%的准确率。结论特征选择对于临床诊断和骨质疏松疾病的研究具有重要意义,该研究构建的预测模型可以有助于提高医生的诊断准确率。