[发明专利]一种基于XGBoost的结直肠癌检测系统

说明书

本发明涉及一种基于XGBoost的结直肠癌检测系统，包括数据采集模块、数据预处理模块、特征选择模块、模型构建模块和结果预测模块，分别用于：构建结直肠癌数据集；数据预处理；使用RFE递归特征选择进行特征选择，得到多个子数据集；构建XGBoost模型，使用子数据集对其进行训练，通过遗传算法优化XGBoost模型参数，得到检测模型；使用检测模型预测结直肠癌的死亡类型。与现有技术相比，本发明通过RFE递归特征选择对数据进行特征选择，结合机器学习算法XGBoost实现结直肠癌死亡类别的智能检测，并使用遗传算法优化模型参数，能够较快且有效地分析并预测结直肠癌的死亡类型，能够更加准确地识别出多类别当中的少数类，具有较高的准确率，精确率，召回率和F1值。

技术领域

本发明涉及机器学习和智慧医疗领域，尤其是涉及一种基于XGBoost(eXtremeGradient Boosting)的结直肠癌检测系统。

背景技术

结直肠癌(Colorectal cancer)是人类目前常见的三大肿瘤之一，病情发展迅速，且死亡率高，是消化系统常见的恶性肿瘤，已成为男性和女性当中最常见的癌症之一。结直肠癌致死率极高，了解结直肠癌患者的致死原因对于研究结直肠癌来说具有重要的意义，通过对结果分析的背景下，在很大程度上帮助医护人员对病人进行更准确的判断，从而让病人能够更快得到精准的治疗，以免延误最佳的治疗时机，导致病情的恶化。

随着大数据和计算机领域的快速发展，机器学习技术(ML)在医学领域也得到了广泛的应用。人们可以利用机器学习挖掘医学数据内部潜在信息，挖掘人眼观察不到的医学数据规律。机器学习在医学上的应用主要包含三大部分，分别为临床诊断、精准医疗和健康检测上。机器学习在临床诊断上主要应用在肿瘤学、病理学和罕见疾病，研究人员可以利用机器学习方法对肿瘤学数据进行训练从而识别癌症的类型，利用机器学习方法对病理学进行疾病的诊断，增强传统的显微镜病理学带来的局限性，利用机器学习和面部识别的结合，帮助临床医生分析和诊断罕见疾病的相关表现；机器学习在精准医疗上的应用主要体现在：根据患者的遗传史、身体的各项指标、生活地区、环境因素、生活方式等方面，借助机器学习技术为患者提供一个精准的预测结果、治疗方法和未来患病的可能性；机器学习在健康检测上的应用主要体现在：从遗传史、身体的各项指标、生活地区、环境因素、生活方式等实时的监测人体的健康状态并给予一定的提示。综上，机器学习技术在医学大数据时代扮演了一个非常重要的角色，是医疗诊断，精准治疗和健康检测未来的发展趋势，有必要通过机器学习技术对结直肠癌进行精准分析和预测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于XGBoost的结直肠癌检测系统。

本发明的目的可以通过以下技术方案来实现：

一种基于XGBoost的结直肠癌检测系统，包括数据采集模块、数据预处理模块、特征选择模块、模型构建模块和结果预测模块；

所述数据采集模块用于：获取数据，构建多特征、多类别的结直肠癌数据集；

所述数据预处理模块用于：对构建的结直肠癌数据集进行数据预处理；

所述特征选择模块用于：使用RFE递归特征选择进行特征选择，得到多个子数据集，每个子数据集含有不同数量的特征；

所述模型构建模块用于：构建XGBoost模型，分别使用各个子数据集对其进行训练，设计优化目标，通过遗传算法优化XGBoost模型中的参数，得到最优的XGBoost模型作为检测模型；

所述结果预测模块用于：将结直肠癌数据的特征处理为检测模型所对应的特征，使用检测模型对进行预测。

进一步的，数据预处理模块中，所述数据预处理包括以下步骤：

S1、对于结直肠癌数据集中的每一个数据样本，将其标签进行数值化处理；