[发明专利]一种医学分析方法、装置、设备及存储介质

说明书

本发明适用于计算机技术领域，尤其涉及一种医学分析方法、装置、设备及存储介质，所述医学分析方法包括：根据基于集成学习算法训练生成的生物标志物分类模型以及获取的生物标志物分类模型中的生物标志物的检测数据确定并输出医学分析结果；其中生物标志物分类模型的综合评价分值最高；所述综合评价至少包括准确率评价、特异性评价以及敏感度评价中的两种。本发明实施例提供的医学分析方法，由于集成学习算法训练生成的生物标志物分类模型是预先在多种特征选择算法和分类算法下集成训练生成的综合评价分值最高的生物标志物集成模型，此时利用该生物标志物模型进行医学分析所得到的分析结果的准确率更高。

技术领域

本发明属于计算机技术领域，尤其涉及一种医学分析方法、装置、设备及存储介质。

背景技术

生物标志物可以定义为“作为正常生物过程、致病过程或治疗干预的药理学反应指标而被客观测量和评估的特征”，从大量实验数据中筛选出分类效果好的生物标志物并训练生成相应的医学分析模型可以大大降低后续医学分析的流程。其中筛选出分类效果好的生物标志物通常被称为特征选择。

然而，现有的特征选择方法通常都是利用单一的机器学习算法进行特征筛选的，事实上，此时所筛选出的分类效果好的生物标志物的重复性却不一定较高，生物标志物的重复性要求是指被筛选出的生物标志物应该始终表现出良好的性能，在不同的研究中区分病例与对照。也就是说，利用单一的机器学习算法进行特征选择筛选出的生物标志物所训练生成的分析模型稳定性较差，实际应用能力低。

可见，利用现有的特征选择方法所筛选出的生物标志物进行训练所生成的分析模型还存在着稳定性较差，实际应用能力低的技术问题。

发明内容

本发明实施例的目的在于提供一种医学分析方法，旨在解决利用现有的特征选择方法所筛选出的生物标志物进行训练所生成的分析模型还存在着稳定性较差，实际应用能力低的技术问题。

本发明实施例是这样实现的，一种分析方法，包括：

根据基于集成学习算法训练生成的生物标志物分类模型以及获取的所述生物标志物分类模型中的生物标志物的检测数据确定并输出医学分析结果；其中

所述基于集成学习算法训练生成的生物标志物分类模型的综合评价分值最高；所述综合评价至少包括准确率评价、特异性评价以及敏感度评价中的两种。

本发明实施例的另一目的在于提供一种基于集成模型的医学分析装置，包括：

分析模块，用于根据基于集成学习算法训练生成的生物标志物分类模型以及获取的所述生物标志物分类模型中的生物标志物的检测数据确定并输出医学分析结果；其中

所述基于集成学习算法训练生成的生物标志物分类模型的综合评价分值最高；所述综合评价至少包括准确率评价、特异性评价以及敏感度评价中的两种。

本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器如上述所述医学分析方法的步骤。

本发明实施例的另一目的在于提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述的医学分析方法的步骤。

本发明实施例提供的一种医学分析方法，是根据基于集成学习算法训练生成的生物标志物分类模型以及获取的所述生物标志物分类模型中的生物标志物的检测数据确定并输出医学分析结果，由于其中基于集成学习算法训练生成的生物标志物分类模型是预先在多种分类算法下集成训练下生成的综合评价分值最高的生物标志物分类模型，因此此时根据该分类模型所直接分析确定的医学分析结果的准确率以及稳定性均能保持较高的水平，相比于现有的利用其它机器学习方法所训练生成的生物标志物分类模型，在模型分析的效率以及效果上均具有显著地提升，即提供了一种稳定性高，实际应用效果好的医学分析方法。