一种预测新型冠状病毒感染的机器学习模型构建方法发明专利.docxVIP

一种预测新型冠状病毒感染的机器学习模型构建方法 技术领域 本申请涉及生物医学技术领域，尤其涉及一种预测新型冠状病毒感染的机器学习模型构建方法。 背景技术 新型冠状病毒肺炎，是指2019新型冠状病毒感染导致的肺炎。由于新型冠状病毒肺炎具有传染性，为了控制新型冠状病毒肺炎的传染，需要对就诊人员是否患有新型冠状病毒肺炎进行判断。逆转录聚合酶链反应是医务人员对就诊人员是否患有新型冠状病毒肺炎进行判断的常用方法，然而，逆转录聚合酶链反应从检测开始到得出检测结果存在时间周期，可能会造成医务人员采取预防措施不及时，从而可能会造成医务人员的新型冠状病毒肺炎感染率上升。 为了降低医务人员的新型冠状病毒肺炎感染率，应对医务人员是否患有新型冠状病毒肺炎进行判断，由于人工智能驱动技术已被用于疾病的诊断和预测，且已被证明有助于提高诊断和预测的效率和准确性。因此，为了缩短判断医务人员是否患有新型冠状病毒肺炎的时间，相关技术采用基于胸片和胸部CT的新型冠状病毒肺炎预测人工智能模型，通过胸部X片正侧位检查和胸部CT的检测结果，判断医务人员是否患有新型冠状病毒肺炎。 然而，由于基于胸片和胸部CT的新型冠状病毒肺炎预测人工智能模型，所需的用于胸部 X片正侧位检查和胸部CT的设备体积大，且所述设备不便移动，因此，采用基于胸片和CT 图像的新型冠状病毒肺炎预测人工智能模型进行新型冠状病毒肺炎的预测，具有空间的局限性，只能在固定地点对医务人员进行检查，可能会造成新型冠状病毒肺炎的预测效率较低。 发明内容 本申请提供了一种预测新型冠状病毒感染的机器学习模型构建方法，以解决新型冠状病毒肺炎的预测具有空间的局限性，新型冠状病毒肺炎的预测效率较低的技术问题。 为了解决上述技术问题，本申请实施例公开了如下技术方案： 第一方面，本申请实施例公开了一种预测新型冠状病毒感染的机器学习模型构建方法，包括获取包括症状、逆转录聚合酶链反应的检测结果和新型冠状病毒肺炎抗体的检测结果的医务人员的数据，将数据整合为数据集，将数据集分为训练数据集和测试数据集，并对训练数据集进行特征选择，得到第一训练数据集； 构建包括第一逻辑回归分类器和第二逻辑回归分类器，且存在监督学习的第一模型； 对第一训练数据集进行欠采样处理，将欠采样处理后的第一训练数据集分为第一训练数据子集和第二训练数据子集； 采用第一训练数据子集训练第一模型中的第一逻辑回归分类器，采用第二训练数据子集训练第一模型中的第二逻辑回归分类器，根据训练后的第一逻辑回归分类器和第二逻辑回归分类器构建第二模型； 基于测试数据集，对第二模型进行预测准确率的验证。 可选的，获取包括症状、逆转录聚合酶链反应的检测结果和新型冠状病毒肺炎抗体的检测结果的医务人员的数据，将数据整合为数据集，将数据集分为训练数据集和测试数据集，并对训练数据集进行特征选择，得到第一训练数据集，包括： 比较两个医院中新型冠状病毒肺炎患者人数，将所在医院中新型冠状病毒肺炎患者人数多的医务人员加入疫情医务人员队列，将所在医院中新型冠状病毒肺炎患者人数少的医务人员加入非疫情医务人员队列； 获取包括症状、逆转录聚合酶链反应的检测结果和新型冠状病毒肺炎抗体的检测结果的医务人员的数据； 从疫情医务人员队列和非疫情医务人员队列中剔除无症状的医务人员，将剩余的医务人员的数据整合为数据集； 将数据集分为训练数据集和测试数据集； 根据逆转录聚合酶链反应的检测结果的阳性率，在疫情医务人员队列和非疫情医务人员队列中，将阳性率较高的疫情医务人员队列中医务人员的数据作为训练数据集，将阳性率较低的非疫情医务人员队列中医务人员的数据作为测试数据集； 根据信息增益比对训练数据集中的症状进行排序，得到第一排序症状列表，并对第一排序症状列表进行增量特征选择，得到第一训练数据集。 可选的，对第一训练数据集进行欠采样处理，将欠采样处理后的第一训练数据集分为第一训练数据子集和第二训练数据子集，包括： 将第一训练数据集分为阳性数据集和阴性数据集，阳性数据集包含逆转录聚合酶链反应的检测结果为阳性、新型冠状病毒肺炎抗体的检测结果为阳性以及逆转录聚合酶链反应和新型冠状病毒肺炎抗体的检测结果均为阳性的医务人员的数据，阴性数据集为第一训练集除去阳性数据集的数据集合； 对阴性数据集进行欠采样处理，将欠采样处理后的阴性数据集分为第一阴性数据集和第二阴性数据集，将第一阴性数据集与阳性数据集结合作为第一训练数据子集，将第二阴性数据集与阳性数据集结合作为第二训练数据子集。 可选的，在基于测试数据集，对第二模型进行预测准确率的验证前，还包括： 获取第一训练数据子集训练第一逻辑回归分类器生成的第一预测概率，获取第二训练数据子集训练第二逻辑回归分类器生成的第二预测概率，计算第一预测概率和第二预测概率的平均值，得到第三预测概率。 可选的，在根据训练后的第一