[发明专利]基于肠道菌群丰度的分类器建模评价校验方法及系统

说明书

本发明涉及基于肠道菌群丰度的分类器建模评价校验方法及系统，该方法包括：分别获取健康人群和结直肠癌患者的年龄、性别、肥胖指数以及肠道菌群的DNA序列，将获取的肠道菌群的DNA序列进行质量控制，并获取肠道菌群的DNA序列中的肠道菌群丰度，构建样本集；将样本集划分为训练样本集和测试样本集，分别运用支持向量机和人工神经网络进行训练和预测，并分别选取支持向量机和人工神经网络的预测结果的部分样本作为训练集，其余作为测试集重新返回到支持向量机模型中得出最后的分类预测结果，构建出分类器模型；根据评价指标评价构建出的分类器模型，并选用检验方法对构建出的分类器模型进行校验，评价指标包括：敏感性、特异性和精确度。

技术领域

本发明属于人工神经网络分类预测的技术领域，尤其涉及一种基于肠道菌群丰度的分类器建模评价校验方法及系统。

背景技术

随着社会的发展和生活水平的提高，人们的生活方式发生了极大的变化。生活节奏加快使得人们容易忽视自身的身体健康，降低了对于一些发病较慢的“隐性”疾病警惕性，如结直肠癌。结直肠癌是最常见的恶性肿瘤之一，在西方发达国家其发病率位居各种恶性肿瘤的第2位；在中国发病率和死亡率在癌症中均位列第3—5位，而在我国的大城市，其发病率位列第2或3位。全球每年约有120万人罹患结直肠癌，死于该病的患者高达60万人，已经对人类的健康造成严重威胁。结直肠癌具有生物学行为复杂多变、容易复发转移以及抵抗化疗药物等特点，因此，尽可能阐明该疾病发生进展的机制，寻找早期、有效的预测方法是结直肠癌研究的重点。

然而，现有的方法需要结合医生的经验得出最终的结果，具有两个局限性：(1)离不开医生的经验，准确性难以保证；(2)在疾病早期预测困难。针对当前结直肠癌诊断手段的局限性，融入机器学习中算法的疾病预测模型成为研究的重点。

支持向量机和人工神经网络算法是经典的分类预测算法，被广泛应用于社交、交通等不同方面，并且得到很好的分类预测效果。然而，人工神经网络本身存在缺点：极易陷入局部最小值，且不适合用于小规模数据的训练。支持向量机则是可以获取到全局最优解，但是适合比较小的数据集的预测。

大量的工作表明在结直肠癌患病的不同阶段(阶段I-III)，肠道中的菌群含量是不同的，肠道菌群的丰度变化是判断是否患病的重要指标。

综上所述，在现有技术中如何解决使用机器学习中人工神经网络算法构建基于肠道菌群丰度的分类器的准确度与精确度的问题，尚缺乏有效的解决方案。本发明涉及到两种机器学习算法：支持向量机算法和人工神经网络算法，针对机器学习中支持向量机算法和人工神经网络算法的缺点，提出基于肠道菌群丰度的支持向量机和人工神经网络相结合的分类器建模方法，并应用到结直肠癌的预测中，并对应用于结直肠癌的分类器进行评价与校验，进而达到提高结直肠癌预测准确率与精确度的效果。

发明内容

本发明为了解决上述问题，本发明提供一种基于肠道菌群丰度的分类器建模评价校验方法及系统，本发明将支持向量机和人工神经网络算法进行结合构建分类器模型，从很大程度上避免两个单独模型的缺点，弥补单纯的人工神经网络算法极易陷入局部最小值且不适合用于小规模数据的训练的不足，有效实现提高结直肠癌预测准确率与精确度。

本发明的第一目的是提供一种基于肠道菌群丰度的分类器建模评价校验方法。

为了实现上述目的，本发明采用如下一种技术方案：

一种基于肠道菌群丰度的分类器建模评价校验方法，该方法包括：

(1)分别获取健康人群和结直肠癌患者的年龄、性别、肥胖指数以及肠道菌群的DNA序列，将获取的肠道菌群的DNA序列进行质量控制，并获取肠道菌群的DNA序列中的肠道菌群丰度，构建样本集；