[发明专利]一种结合临床多指标的预测算法

权利要求书

1.一种结合临床多指标的预测方法，其特征在于，所述预测方法通过膀胱输尿管反流的级别、DMSA肾静态图像的分肾功能相对值、DTPA肾动态显像的分身功能绝对值、磁共振、尿微量蛋白5个指标构建模型；其中磁共振的取值方法为，提示正常为0，异常为1；其余4个指标均为数字量，其数值直接使用；所述模型包括手术好转模型、非手术好转模型；模型构建包括如下步骤：

a.使用支持向量机找到最能划分数据的超平面，也就是有如下目标和约束的模型：

其中，即核函数，起到非线性映射的作用；w，b是模型参数；||w||与异类支持向量到超平面的距离和成反比；y_i是对样本的标记，当是正例或负例时，y_i分别为+1，-1；

应用拉格朗日乘子法，支持向量机的模型可以写成如下形式：

其中，i∈SV是任一训练样本；α_i是对应的拉格朗日乘子；对于好转的病例，即训练模型使g(x)＝1，反之使g(x)＝0；

模型训练优化时采用拉格朗日对偶问题优化，即将目标函数转化成对偶问题进行求解，求解目标如下：

其中，是样本x_i，x_j映射到特征空间后的内积；

b.使用梯度提升决策树(GBDT)，求取目标函数：

梯度提升决策树模型中每棵树f_k都由贪心算法枚举式生成的树中筛选出来，筛选的原则是令决策树模型的损失函数和模型复杂度尽可能低，则目标函数筛选树的目标函数可以写成：

其中，l(.，.)是损失函数，y_i是样本的真实分类，是样本的预测分类，Ω(.)是模型复杂度，n是样本数量，K是决策树数量

决策树的复杂度可以由树的叶子数刻画，假设树有T个叶子节点，则可以复杂度为由生成的树的叶子节点数量和叶子节点对应的值向量的L2范数决定：

其中，γ和λ是参数，w_j是叶子节点对应的值向量；

令g_i，h_i分别为损失函数l的一阶导数和二阶导数，并令I_j是所有被分为叶子节点j的样本的集合；

将平方损失函数在点x_i处进行二阶泰勒展开，并代入极值点后，目标函数可以写成：

c.使用随机森林方法，求取预测结果：

随机森林方法对于给定的训练集特征X和好转结果y，重复有放回装袋B次选择随机样本，替换训练集并将树拟合到这些样本中，即对于b＝1，2......B，每次采样得到X_b和y_b，拟合得到决策回归树f_b；

训练后，可以通过对所有回归树的预测进行平均来对样本x′预测；

每一颗子树的模型可以表示为：

其中，W为权重矩阵，x_i是特征，y_i＝±1用来区分正负例；将每棵子树的预测结果求平均就是最终的预测结果：

2.如权利要求1所述的一种结合临床多指标的预测方法，其特征在于，所述预测方法的5个指标，每个指标至少纳入两次数值，从而用不同指标评估是否手术对于患儿个体的恢复情况。