[发明专利]用于疾病预测的方法、装置、计算机设备和存储介质

说明书

一种用于疾病预测的机器学习方法，包括：基于问卷，构建数据集；对所述数据集进行预处理；使用多种集成方法，训练所述数据集；基于评估指标，选择所述多种集成方法之一以构建模型。

技术领域

本申请涉及机器学习技术领域，特别是涉及一种基于机器学习的疾病预测的方法、装置、计算机设备和存储介质。

背景技术

随着医学信息化的快速发展，医疗数据呈指数规模增加，其中包括病人临床信息、医学影像信息、遗传基因信息等。医疗大数据时代已然到来，如何从复杂、不规则的医疗数据中提取出潜在有价值的信息并提高信息的利用率逐渐成为医学研究的重点。该领域研究者开始将重心转向机器学习技术，机器学习是人工智能的技术之一，对大数据的分析处理能力显著，成为近年来计算机科学研究中最活跃的分支之一。

机器学习为疾病诊断分析提供了新的思路和方法，该技术通过对大量真实医疗数据进行分析，发掘其中规律并构建客观的数学模型，之后利用该模型对疾病进行精准预测。然而，基于机器学习的医疗数据分析方法具有专业性和复杂性，大多数医生并不能熟练掌握这项技术，如若每次委托医院外专业的数据分析人员，无疑会耗费较多时间和经济成本，还会有病人隐私数据泄露的风险。此外，当医生完成模型训练后通常只局限于内部使用，缺少将其普及公众的途径，导致模型价值降低。

目前，医学领域研究者开始把重心转向人工智能机器学习技术，该技术具备专家系统所没有的学习能力，其可从大量样本中提取出有价值的规律和信息并构建出客观数学模型，之后利用该模型进行疾病诊断，消除由于医生的主观经验而产生的误差，从而提高诊断准确率。20世纪90年代之后，基于机器学习的疾病诊断应用开始大量出现，常用的学习算法包括支持向量机、决策树、逻辑回归、贝叶斯等。2001年Chou等人通过逻辑回归模型对乳腺癌进行诊断，准确率高达91％；2006年Hope等人研发出基于贝叶斯定理的心血管疾病辅助诊断系统，该系统可根据病人的年龄、血脂、血压等特征属性对其心血管疾病进行诊断；2008年Su等人利用支持向量机模型对高血压进行诊断，取得很好的预测效果；2009年Ploat等人通过决策树和One-Against-All混合模型对皮肤病、淋巴造影数据集进行测试，结果表明该模型在多分类问题上十分有效；2015年Ghanad等人通过朴素贝叶斯算法和粒子群优化算法诊断帕金森病，准确率高达97.95。

现有技术虽然能够很好的针对某种具体疾病进行诊断，但是很难有平台做到可以适用于多种疾病的疾病诊断。为了能够提升疾病诊断的通用性，当用户上传相关数据后，系统应该根据疾病类型和诊断科室进行自动分类检索，最终获取诊断结果。

发明内容

一种用于疾病预测的机器学习方法，包括：基于问卷，构建数据集；对所述数据集进行预处理；使用多种集成方法，训练所述数据集；基于评估指标，选择所述多种集成方法之一以构建模型。

一种基于机器学习的疾病预测装置，所述装置包括：构建模块，用于基于问卷，构建数据集；预处理模块，用于对所述数据集进行预处理；训练模块，用于使用多种集成方法，训练所述数据集；选择模块，用于基于评估指标，选择所述多种集成方法之一以构建模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。

附图说明

图1A为根据本申请的一实施例的模型构建流程图；

图1B为根据本申请的一实施例的疾病预测方法的流程图；

图1C为根据本申请的一实施例的Bagging集成方法示意图；

图1D为根据本申请的一实施例的Blending集成方法示意图；

图2为根据本申请的一实施例的疾病预测流程图；