首页 > 文献资料
-
基于随机森林和多标记学习算法的慢性胃炎实证特征选择和证候分类识别研究
目的 对慢性胃炎实证证候的特征症状进行选择,并建立证候模型,为慢性胃炎证候量化诊断的建立提供方法学参考.方法 运用慢性胃炎中医问诊规范化量表采集临床症状和体征,并运用机器学习领域新提出的随机森林和多标记学习算法对慢性胃炎的实证症状进行选择和模型构建.结果 运用随机森林和信息增益算法,结合多标记学习算法对证候分别建模,随机森林算法挑选出15个特征症状,信息增益方法挑选出20个特征症状,二者的模型高准确率分别为83％、82％.通过评价,随机森林算法选出的特征症状更加精简,提高了诊断模型的识别率.结论 随机森林结合多标记学习算法可实现慢性胃炎实证证候特征症状的选择,同时还可解决几个证候相兼问题,弥补传统学习算法的不足.
-
基于近红外分析和化学计量学方法对不同产地灵芝快速鉴别及多糖含量测定的研究
该文采用近红外分析方法结合化学计量学算法对来自不同产地的灵芝进行判别分析,进一步构建了灵芝多糖含量快速预测模型.利用随机森林算法对来自4个产地的灵芝训练集预测准确率达到96.87％,独立测试集判别准确率达到93.33％;在多糖含量快速预测模型的建立过程中,采用5折交互检验优化参数,并对不同的信号处理方法进行比较,优模型的训练集相关系数R2cal=0.965 4,测试集相关系数R2pre=0.851 6;校正均方根差为0.018 5,验证均方根差为0.023 6.该文利用近红外分析方法和化学计量学算法成功判别了不同产地的灵芝样品,构建的快速预测模型能够准确预测样品中多糖含量,为灵芝有效成分测定及质量评价提供新的分析方法.
-
基于随机森林算法和Logistic回归模型的糖尿病风险因素研究
目的:应用随机森林模型和Logistic回归模型,研究糖尿病的风险因素并构建风险预测模型.数据来源于全国13家三甲医院的调查数据和体检数据,选取包括年龄、体重指数、糖尿病病史、腰围、舒张压、收缩压等因素在内的初始备选指标共17个,响应变量为餐后两小时血糖.方法:应用随机森林算法和Logistic回归,比较两种模型的预测效果.结果:在随机森林模型的变量重要性评分中,糖尿病病史、体重指数、年龄、收缩压以及腰围这几个特征变量得分较高;Logistic回归模型中糖尿病病史情况以及体重指数对模型影响较大,结果显示随机森林模型的预测效果略优于Logistic回归模型.结论:研究随机森林算法分析结果给出了各个因素指标的重要性评分,其结果可以应用于糖尿病高风险人群的筛查和风险干预措施的指导,从而可以大大提高人群中未诊糖尿病的检出率,增强糖尿病防治效果,并可节省大量的卫生资源.
关键词： 糖尿病 随机森林算法 Logistic回归 风险预测 -
运用随机森林分析药品不良反应发生的影响因素
目的 拟采用随机森林来分析不良反应发生的影响因素.方法 以2007年上海等地发生的阿糖胞苷引发肌无力及截瘫的不良反应为例,运用随机森林分析其重要的影响因素,将分析结果与实际情况进行对比,用于验证随机森林在不良反应数据中应用的可行性.结果 通过随机森林综合评价得出的四个重要影响因素:触发时间、用药途径、季节和生产厂家,其均为阿糖胞苷事件的重要特征.且通过随机森林的计算,相比较于其他不良反应,肌无力和截瘫与各个影响因素之间存在的关联可能性更大,提示肌无力和截瘫需重点关注,这也与阿糖胞苷事件的实际情况相吻合.结论 随机森林的综合评价机制能够从复杂数据中识别出真正重要的影响因素,并定量估计它们对不良反应发生的影响,有助于及时判别药品不良反应的特征、发生机制、危险人群和可能的引发途径,在药品不良反应信号的发现、因果关联评价和指导临床用药方面均有广泛的应用价值.
-
基于随机森林算法的地形识别系统在主动型膝上假肢控制中的应用
背景：在主动型膝上假肢的研究中，现有的运动模式识别方法已经取得了良好的识别效果，但仍需进一步的提高识别精度和缩小响应时间。
目的：建立一个基于随机森林算法的地形识别系统，实现对受试者前方地形的识别，从而获得受试者在步入该地形时的运动模式，应用于假肢的控制当中。
方法：将激光距离传感器和惯性测量单元固定在人体腰部位置，分别采集前方地形信息和人体的运动信息。对采集到的数据进行滤波处理，并提取特征值。利用随机森林算法根据处理过后的数据建立分类器，并进行路况识别。
结果与结论：结果表明，该地形识别系统能够有效的识别出日常行走中常见的平地、上楼梯、下楼梯、上斜坡和下斜坡等5种路况，在主动型膝上假肢的控制中将会发挥重大作用。 -
基于基因表达谱分析的胃癌诊断及预后相关长链非编码RNA谱识别及鉴定
目的：筛选可靠的胃癌诊断及预后相关长链非编码RNA(lncRNA)谱，建立基于lncRNA谱的胃癌预后风险评分系统。方法：下载4个已发表的胃癌cDNA芯片数据集，对训练集GSE63089采用6种不同分类器筛选得到胃癌相关lncRNA谱，十字交叉验证及ROC曲线评估其诊断价值。在测试集(GSE27342， GSE38749和GSE50710)中验证模型的稳定性。经随机森林算法进一步筛选得到胃癌预后相关lncRNA，基于此建立胃癌风险评分，进而与性别、年龄等参数行单因素及多因素Cox回归。GSEA分析揭示胃癌预后相关lncRNA 的生物学功能。后，通过7株胃癌细胞株、胃上皮永生化细胞株GES-1及30对胃癌组织以qRT-PCR法检测胃癌预后相关lncRNA在体内外的表达水平及对胃癌的诊断能力。结果：经训练集GSE63089筛选，得到35个具诊断胃癌价值的lncRNA；十字交叉验证显示6种分类器基于35个lncRNA诊断胃癌的准确率分别为90%、87%、89%、88%、89%和92%；3种线性分类器(CC、DLDA和SVM)ROC曲线的AUC分别为0.957，0.961和0.986。验证集中诊断胃癌的准确率同样可达70~100%，证明模型的稳定性。随机森林算法进一步筛选出5个与胃癌预后相关的lncRNA(AK001094、AK024171、AK093735、BC003519和NR_003573)，基于其表达值建立胃癌预后风险评分。该评分系统对预后判断的AUC值为0.732；单因素及多因素分析发现，风险评分是胃癌预后的独立风险因素[单因素分析，HR =2.718，95% CI,1.452~5.090]；多因素分析，HR =5.249，95% CI,1.718-16.034]。GSEA分析显示，5个lncRNA主要参与细胞粘附等信号通路。体内外实验验证发现，AK093735、BC003519及NR_003573在胃癌中表达上调(P<0.05)，而AK001094、AK024171则表达下调(P<0.05)，与芯片结果一致；5个lncRNA诊断胃癌的AUC值分别为0.693、0.745、0.896、0.769和0.845，5者联合诊断的AUC值为0.958。结论：LncRNA谱可以作为胃癌诊断及预后的可靠标志物，但其具体生物学机制尚待进一步研究证实。
-
基于随机森林算法的阿尔茨海默病预测模型
目的 随着人口老龄化的进程加快,探究老年人生活方式与阿尔茨海默病()之间的相关性并对预防极为关键.方法 选取病例组与对照组,采取网络调查、面访调查等方式进行数据收集,运用随机森林算法对数据进行训练分类.结论 基于随机森林算法的阿尔茨海默预测模型具有较高的精度及稳定性,并能给出对 患病影响程度较大的因素,对预防 有一定意义.
