基于机器学习的生化免疫检验报告智能审核方法和系统技术方案

本发明专利技术属于信息技术领域，具体涉及一种基于机器学习的生化免疫检验报告智能审核方法和系统

【技术实现步骤摘要】
基于机器学习的生化免疫检验报告智能审核方法和系统


[0001]本专利技术属于信息
，具体涉及一种基于机器学习的生化免疫检验报告智能审核方法和系统
。

技术介绍

[0002]生化免疫检验报告
(
简称检验报告
)
是通过仪器检测后形成的数据，通过将相关信息进行整合形成的，检验报告需要进行人工或智能审核，符合规则为通过，不符合规则为不通过
。
相比人工审核，自动审核具有更好的准确度和效率，可以极大地减少实验室工作人员的人工审查时间和工作量，以及工作人员的视觉疲劳，从而使实验室工作人员将人工审核的重点放在小部分真正有问题的样本和检验结果上
。
然而，设计不当的自动审核规则容易造成假阴性结果，即自动发出了应该人工审核的样本
。
到目前为止自动审核的规则建立是基于逻辑和简单规则实现
。
实际工作中，这些规则的评价标准有限，简单的规则并不能包含所有的情况，不能处理复杂的临床数据，项目结果间的联系不能充分被利用，导致自动审核的准确率
、
通过率有限
。
[0003]随着计算机科学进步，人类活动每天产生大量数据，机器学习
(MachineLearning,ML)
已渗透到几乎所有行业
(
例如，商业
、
研究和医疗保健
)
，作为一种开放源码的计算工具，
ML
可以轻松实现
(
例如，商业的
>Python
框架：
Scikit
‑
Learn、TensorFlow
和
Kera)。
同时，实验室自动化正在将临床实验室转变为海量
、
复杂数据的来源
。
虽然
ML
技术正迅速发展
(
特别是深度学习
)
，但目前临床实验室中只有少数基于
ML
的商业产品可用
。
在医学检验领域，
ML
已应用于微生物菌落研究，检测抗菌素耐药性，以及临床决策支持
。
[0004]然而，到目前为止由于模型设计及模型参数选取不合理等问题，现有的机器学习模型对检验报告进行智能审核的准确率仍然不够理想，难以兼顾审核结果的灵敏度和特异性，这极大地限制了机器学习的技术在检验报告自动审核中的应用
。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术提供一种基于机器学习的生化免疫检验报告智能审核方法和系统，目的在于提供机器学习模型审核检验报告的准确率
。
[0006]一种基于机器学习的生化免疫检验报告智能审核方法，包括如下步骤：
[0007]步骤1，输入待审核的检验报告，进行预处理和特征提取，得到特征；
[0008]步骤2，采用机器学习模型对步骤1得到的特征进行计算，得到是否通过的审核结果；
[0009]其中，所述机器学习模型是投票组合模型，所述投票组合模型的构建方法是：以
DT、RF
和
SVM
作为基分类器，采用投票法将所述基分类器的类别概率组合；
[0010]步骤3，输出所述审核结果
。
[0011]优选的，步骤1中，所述预处理包括：
[0012]1)
利用中位数或均数填补缺失值；
[0013]2)
去除异常值
。
[0014]优选的，步骤2中，所述
DT、RF
和
SVM
的训练方法如下：
[0015]步骤
2.1
，构建训练集和测试集；
[0016]步骤
2.2
，在训练集上利用十折交叉验证进行训练；
[0017]步骤
2.3
，在测试集上进行模型实际性能验证；
[0018]步骤
2.4
，利用学习曲线及网格搜索获得模型最佳超参数
。
[0019]优选的，步骤2中，所述
DT
的参数为：
Max depth
为4；
Criterion
为
gini
；
Min impurity decrease
为0；
Min samples leaf
为1；
Splitter
为
best。
[0020]优选的，步骤2中，所述
RF
的参数为：
N estimators
为
76
；
Max depth
为
22
；
criterion
为
entropy
；
Min impurity decrease
为0；
Min samples leaf
为
1。
[0021]优选的，步骤2中，所述
SVM
的参数为：
kernel
为
rbf
；
gama
为
0.0294
；
C
为
1.1。
[0022]本专利技术还提供一种用于实现上述基于机器学习的生化免疫检验报告智能审核方法的系统，包括：
[0023]输入模块，用于输入待审核的检验报告；
[0024]预处理模块，用于进行预处理和特征提取，得到特征；
[0025]计算模块，用于采用机器学习模型对得到的特征进行计算，得到是否通过的审核结果；其中，所述机器学习模型是投票组合模型，所述投票组合模型的构建方法是：以
DT、RF
和
SVM
作为基分类器，采用投票法将所述基分类器的类别概率组合；
[0026]输出模块，输出所述审核结果
。
[0027]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现上述基于机器学习的生化免疫检验报告智能审核方法
。
[0028]本专利技术中，“审核结果”包括“合格样本”或“不合格样本”，所述“合格样本”是符合行业标准“WST 616
‑
2018
临床实验室定量检验结果的自动审核”，同时满足不是溶血样本
、
脂血样本和黄疸样本的样本；所述“不合格样本”包括不符合上述行业标准的样本
、
溶血样本
、
脂血样本和黄疸样本
。
[0029]本专利技术利用多种机器学习算法对检验报告进行智能审核，解决了传统人工审核费时
、
费力，以及基于规则的自动审核系统的规则评价标准有限，不能处理复杂的临床数据，项目结果间的联系不能充分被利用的问题
。
通过优选设置模型的结构和参数，本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的生化免疫检验报告智能审核方法，其特征在于，包括如下步骤：步骤1，输入待审核的检验报告，进行预处理和特征提取，得到特征；步骤2，采用机器学习模型对步骤1得到的特征进行计算，得到是否通过的审核结果；其中，所述机器学习模型是投票组合模型，所述投票组合模型的构建方法是：以
DT、RF
和
SVM
作为基分类器，采用投票法将所述基分类器的类别概率组合；步骤3，输出所述审核结果
。2.
按照权利要求1所述的审核方法，其特征在于：步骤1中，所述预处理包括：
1)
利用中位数或均数填补缺失值；
2)
去除异常值
。3.
按照权利要求1所述的审核方法，其特征在于：步骤2中，所述
DT、RF
和
SVM
的训练方法如下：步骤
2.1
，构建训练集和测试集；步骤
2.2
，在训练集上利用十折交叉验证进行训练；步骤
2.3
，在测试集上进行模型实际性能验证；步骤
2.4
，利用学习曲线及网格搜索获得模型最佳超参数
。4.
按照权利要求1所述的审核方法，其特征在于：步骤2中，所述
DT
的参数为：
Max depth
为4；
Criterion
为
gini
；
Min impurity decrease
为0；
Min samples leaf
为1；
Splitter
为
...

【专利技术属性】
技术研发人员：刘靳波，孔鑫，李光荣，
申请(专利权)人：西南医科大学附属医院，
类型：发明
国别省市：