一种混合专家系统在肺腺癌分类中给的应用方法技术方案

本发明专利技术提出一种混合专家系统在肺腺癌分类中给的应用方法，包括以下步骤：步骤1：整理原始数据；步骤2：采用LASSO算法筛选有分类意义的特征数据；步骤3：将特征数据按照7:3的比例分为训练集和测试集；步骤4：在训练集中对ME或HME系统进行五折交叉验证得到所述ME或HME系统最优的模型；步骤5：在测试集中对所述ME或HME系统最优的模型进行测试。以提出一种对肺癌的类型有着更好的预测性能的混合专家系统。

A hybrid expert system for lung adenocarcinoma classification

【技术实现步骤摘要】
一种混合专家系统在肺腺癌分类中给的应用方法
本专利技术涉及计算机医疗
，尤其涉及一种混合专家系统在肺腺癌分类中给的应用方法。
技术介绍
肺癌是世界上发病率和死亡率最高的恶性肿瘤之一，它的早期精确诊断不仅能节约医疗资源，而且能极大地减轻病患痛苦。在肺癌的主要组织学类型中，腺癌逐渐成为死亡的主要原因。然而，从计算机断层扫描(CT)图像中，放射科医生很难区分三种主要亚型:浸润性腺癌(IAC)、原位癌(AIS)和微浸润性腺癌(MIA)。一些单一统计模型和机器学习方法尝试着对肺腺癌亚型进行分类，比如支持向量机(SVM)和卷积神经网络(CNN)，但是没有取得很好的效果。为了提高单一模型的预测精度，本专利技术基于肺腺癌的CT图像和病人临床特征，利用最小绝对收缩和选择算法(LASSO)来筛选特征，再用小批量随机梯度下降(mini-batch-SGD)和RMSProp算法来训练混合专家系统(ME)和分层混合专家系统(HME)，并在其中加入正则项来辅助肺腺癌的诊断。LASSO由RobertTibshirani在1996年首次提出，它通过构造一本文档来自技高网...

【技术保护点】
1.一种混合专家系统在肺腺癌分类中给的应用方法，其特征在于，包括以下步骤：/n步骤1：整理原始数据；/n步骤2：采用LASSO算法筛选有分类意义的特征数据；/n步骤3：将特征数据按照7:3的比例分为训练集和测试集；/n步骤4：在训练集中对ME或HME系统进行五折交叉验证得到所述ME或HME系统最优的模型；/n步骤5：在测试集中对所述ME或HME系统最优的模型进行测试。/n

【技术特征摘要】
1.一种混合专家系统在肺腺癌分类中给的应用方法，其特征在于，包括以下步骤：
步骤1：整理原始数据；
步骤2：采用LASSO算法筛选有分类意义的特征数据；
步骤3：将特征数据按照7:3的比例分为训练集和测试集；
步骤4：在训练集中对ME或HME系统进行五折交叉验证得到所述ME或HME系统最优的模型；
步骤5：在测试集中对所述ME或HME系统最优的模型进行测试。


2.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤1中，原始数据为影像特征和病人的临床特征。


3.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤2中，LASSO算法通过在广义线性模型后加上L1范数的正则项，将一些对预测没有显著作用的特征的系数变为0，从而达到特征筛选的作用。


4.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤4中，所述五折交叉验证为将训练集随机等分为五份，通过指定不同的超参数，用其中的四份来训练ME或HME系统，剩下的一份来验证不同超参数下的ME或HME系统；通过验证集来挑选出性能最优的超参数，从而建立最优的ME或HME系统模型。


5.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，在步骤5中，在测试集中对最优模型进行测试，并计算其AUC值，作为模型的真实预测性能。


6.根据权利要求1所述的混合专家系统在肺腺癌分类中给的应用方法，其特征在于，所述ME和HME系统的算法流程为：
步骤a：输入LASSO算法筛选的有分类意义的特征数据；
步骤b：调整模型结构参数和模型参数初值；
步骤c：所述特...

【专利技术属性】
技术研发人员：刘雷，周凌霄，朱超宇，
申请(专利权)人：刘雷，周凌霄，朱超宇，
类型：发明
国别省市：上海;31