机器学习在肺内恶性磨玻璃密度结节的应用研究-广州大学学报自然.PDF

第１７卷　第３期 广州大学学报（自然科学版） Ｖｏｌ．１７　Ｎｏ．３ 　２０１８年　６月　 ＪｏｕｒｎａｌｏｆＧｕａｎｇｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ） Ｊｕｎ．　２０１８ 文章编号：１６７１４２２９（２０１８）０３００３３０７ 机器学习在肺内恶性磨玻璃密度结节的应用研究 吴艇帆，张仁寿 （广州大学 经济与统计学院，广东 广州　５１４００６） 摘　要：机器学习算法在医学肿瘤领域应用广泛，文章针对肺腺癌磨玻璃结节患者，运用Ｌｏｇｉｓｔｉｃ回归、人工神 经网络、支持向量机和ＡｄａＢｏｏｓｔ等４种经典算法，从准确率、灵敏度、特异度、Ｆ值和Ｇ值等５个指标进行模型 １ 性能的分析和比较，发现４种模型的准确率均高于８５％，而临床医师对患者诊断准确率只有７８％，并总结出不 同模型的特点：ＢＰ神经网络的精度最高，具有较强的自我学习能力；支持向量机需要调节参数来优化模型，对 小样本训练效果较好；Ｌｏｇｉｓｔｉｃ回归不需要调节参数，但在大样本下训练比较耗时；ＡｄａＢｏｏｓｔ具有组合多个模型 后再做诊断的优良品质，为临床医师提供术前诊断方案． 关键词：机器学习；肺腺癌；性能比较；临床医学 中图分类号：Ｏ２１２．１　　　文献标志码：Ａ 　　现如今，随着大数据的日益普及，人工智能的 临床数据的日益增加，其诊断效果及准确率将不 在科技、金融等领域蓬勃发展，如机器人的广泛使 断提高，这在临床医学中具有重大的参考意义． 用、无人机及无人驾驶的研发逐步提升了人类的 肺癌是人类疾病中重大的敌人之一，表现为 生活质量，而在医学领域，人工智能也是起着极其 肺内恶性磨玻璃密度结节的疾病发病率不断上 重要的地位． 升，在中东部工业发达、污染严重的地区更为突 机器学习（ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，ＭＬ）是一门多 出．学者们也不断在肺腺癌领域进行研究．早期传 领域的交叉科学，是人工智能的核心算法．目前常 统的诊断方法为触诊法，随着科技进步，诊断方式 见的机器学习算法，如 Ｌｏｇｉｓｔｉｃ回归（ＬｏｇｉｓｔｉｃＲｅ 从传统的超声引导下的细针穿刺（ＦｉｎｅＮｅｅｄｌｅＡｓ ｇｒｅｓｓｉｏｎ）、人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ， ｐｉｒａｔｉｏｎＢｉｏｐｓｙ，ＦＮＡＢ）升级为ＣＴ、ＭＲＩ检测、Ｘ射 ［７］ ＡＮＮ）、支持 向量机 （ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ， 线、超声检测、核磁共振等 ，但是由于受到术前 ＳＶＭ）、ＡｄａＢｏｏｓｔ在医学领域已经非常广泛应用， 穿刺活性检测取材受到限制，治疗操作过程存在 ［１］ ［２］ ［８］ 如肺部肿瘤诊断 、肝癌肿瘤诊断 、乳腺癌的肿 一定的风险，导致术后诊断结果不稳定 ，另外， ［３］ ［４］ 瘤诊断 ．此外，ＳＡＹＬＡＭ等 建立人工神经网络 患者数量不断递增加剧了医师的疲惫，从而降低 模型对 １１６个甲状腺肿瘤病例进行术后结果对 了医师对疾病的诊断准确率，因此，引入机器学习 比，得到其 ＲＯＣ曲线下的面积 （ＡＵＣ值）为 算法可以在很大程度上协助影像科医师对临床疾 ［５］ ０８２４．ＬＩＭ等 也建立了ＡＮＮ模型对１０９例甲状 病的判断．学者在这方面已经有深入的研究，如 腺结节的患者进行良恶性诊断，同时与２位诊断 ［９］