[发明专利]一种基于关联决策树的甲状腺疾病预测建模方法

说明书

本发明公开了一种基于关联决策树的甲状腺疾病预测建模方法，提出一种关联决策树MsaDtd算法，充分利用复合特征，将原始特征空间转化为更大的疾病诊断特征空间的算法来预测PTMC患者的LNM，并且引入模糊逻辑来处理连续属性，以避免产生大量频繁项的成本，这提高了模型的鲁棒性和泛化能力。通过临床医生可以利用预测模型提供的信息，在整个治疗过程中采用特定的治疗方案，对于易发生LNM的患者，临床医生应采取针对性的干预措施，降低癌症复发的风险提供帮助。

技术领域

本发明涉及计算机建模技术领域，尤其涉及一种基于关联决策树的甲状腺疾病预测建模方法。

背景技术

人工智能(AI)最近在自动驾驶、大数据、模式识别、智能搜索、图像理解、自动编程、机器人和人机游戏等应用领域取得了巨大进展，这些应用也在某种程度上激发了人工智能技术的发展和创新。近年来，随着医疗数据的日益丰富和大数据分析方法的快速发展，人工智能在医疗领域逐渐得到成功应用，人工智能利用复杂的算法从大量医疗数据中学习复杂的模式，人工智能的学习和自我纠错能力有助于减少人类临床实践中不可避免的诊断错误。

近年来，医疗保健行业通过利用来自医疗保健数据所有来源的信息，例如电子健康记录和个人健康记录，产生了大量的数字数据，同时，机器学习已足够完善，可以帮助临床研究人员挖掘医疗数据中的复杂预测模式，这些都为机器学习技术预测疾病提供了依据。例如研究人员在糖尿病视网膜病变检测，院内死亡率预测和医学图像分析等医学领域取得了令人瞩目的进展.但是，大多数机器学习方法，尤其是深度学习，仍然无法解释它们如何解决这些问题，并指出哪些信息，如测量指标，用药和病人特征等，对于预后更为重要。为解决甲状腺疾病的诊断问题，研究者做了大量的研究。但对PTMC患者LNM预后的研究较少，尤其是LNM的预后是预防癌症复发的关键，因此，数据的处理和建模尤为关键。

发明内容

针对上述缺陷或不足，本发明的目的在于提供一种基于关联决策树的甲状腺疾病预测建模方法。

为达到以上目的，本发明的技术方案为：

一种基于关联决策树的甲状腺疾病预测建模方法，包括：

1)、获取训练样本PTMC患者的医疗信息，所述医疗信息包括患者的属性、症状以及诊断结果，并且将症状映射到独立变量u＝(u₁；u₂；...；u_d)，和诊断结果映射到因变量y∈{0,1}；

2)、通过基于模糊逻辑的MS-Apriori算法，得到与诊断结果相关性高的频繁项集，并且将频繁项集转换为规则，得到规则集；

3)、根据所得到的规则集，建立决策树模型；

4)、将患者的医疗信息所映射的变量输入到决策树模型中，输出LNM的预后结果。

所述通过基于模糊逻辑的MS-Apriori算法，得到与诊断结果相关性高的频繁项集具体包括：

2.1、通过隶属函数δ_m(x)构造模糊集，将患者的每个属性映射到多个子区间；

2.2、将整个医疗信息中的项集定义为I，项目类型集为V，得到：

I＝{a₁,a₂,...,a_m}＝IA₁∪IA₂∪...∪IA_d,m＝n*d

V＝{v_i},i＝1,2,...,u