面向醫(yī)藥數(shù)據(jù)的自動分類方法對比分析.pdf

1、分類問題是現(xiàn)實生活中廣泛存在的問題。在醫(yī)藥領(lǐng)域，分類問題在醫(yī)學(xué)輔助診斷、藥品不良反應(yīng)檢測等方面也大量存在。良好的分類算法可有效解決醫(yī)藥領(lǐng)域上所出現(xiàn)的問題，可較好的應(yīng)用于輔助決策診斷、個性化用藥、精準(zhǔn)醫(yī)療等方面。分類是根據(jù)數(shù)據(jù)集的特點構(gòu)造一個分類器，利用分類器對未知類別的樣本賦予類別的一種技術(shù)。目前的分類算法多種多樣，不同的分類算法會產(chǎn)生不同的分類器，分類器的適應(yīng)性直接影響最終分類結(jié)果的效率與準(zhǔn)確性。因此在面對復(fù)雜的醫(yī)藥數(shù)據(jù)時，選擇適宜于

2、醫(yī)藥數(shù)據(jù)分類算法是至關(guān)重要的。
　　目前基于醫(yī)藥學(xué)數(shù)據(jù)的分類算法對比分析的研究尚不多見。為彌補這一不足，本文運用乳腺癌數(shù)據(jù)，對分類問題進(jìn)行了深入的研究，并基于模型性能，分析比較了各種算法的特性。在實際UCI數(shù)據(jù)上的對比分析中發(fā)現(xiàn)，SVM在多個性能指標(biāo)上都能取得較好的效果，但同時其模型復(fù)雜度也較高，采用了49個支持向量，利用高維空間映射降低相關(guān)性。CART算法只通過三個變量來構(gòu)建決策樹模型，獲得了較高的特異度，體現(xiàn)了醫(yī)療數(shù)據(jù)相關(guān)性高

3、的特點。KNN模型則擁有最優(yōu)異的精度。樸素貝葉斯方法所構(gòu)造的模型性能較差，主要因為因變量獨立性的條件難以得到滿足。但從總體結(jié)果來看，單個分類器難以在各個性能指標(biāo)上均取得較好的成績。
　　醫(yī)學(xué)或藥學(xué)上的分類問題不同于其他領(lǐng)域，臨床上，傳統(tǒng)的二分類分類器所帶來的診斷錯誤將帶來嚴(yán)重的后果，如將病癥反應(yīng)誤判為非病癥反應(yīng)，或?qū)⒎遣“Y反應(yīng)誤判為病癥反應(yīng)，而一旦出現(xiàn)這樣的誤診斷，將對患者造成難以挽回的損害。因此傳統(tǒng)的二分類分類器在醫(yī)藥學(xué)領(lǐng)域上的

4、應(yīng)用具有較大的局限性。
　　本文在研究多種分類技術(shù)的基礎(chǔ)上，本文提出了一種基于模糊狀態(tài)的多分類復(fù)合分類器(Fuzzy State-based Compound Classification Method，F(xiàn)uSBCCM)，通過摒棄或限制利用多種分類器結(jié)果不一致所帶來的模糊狀態(tài)，從而提高分類效果。此外借鑒了熵的概念來衡量并劃分模糊狀態(tài)，有利于進(jìn)一步的分析或人工介入。
　　通過威斯康辛州乳腺癌數(shù)據(jù)集上的實驗表明，此類復(fù)合分類器可