一种基于动态加权融合集成学习的疾病预测方法及系统

本发明涉及医学人工智能、机器学习及临床数据分析领域，具体涉及一种利用动态加权融合集成学习策略，基于常规临床及实验室数据进行疾病风险分类的预测方法及系统，特别适用于卵巢癌铂耐药性的早期预测。

背景技术：

1、在临床医学中，准确预测患者对化疗的反应对于制定个性化治疗方案至关重要。以卵巢癌为例，铂类耐药是影响患者预后的主要瓶颈。目前的预测手段主要依赖于回顾性的无铂间隔（platinum-free interval，pfi），存在严重的滞后性。虽然基于基因组学或影像组学的预测模型展现了潜力，但其高昂的成本和复杂的检测流程限制了在基层医疗机构的普及。常规实验室检查（如血常规、生化）具有低成本、易获取的优势，但单一指标的预测特异性和敏感性往往不足。

2、随着医疗大数据的快速积累与计算机算力的不断提升，机器学习（machinelearning，ml）已成为疾病精准诊疗领域发展的核心驱动力。但现有的机器学习方法在处理此类医疗数据时面临两大挑战，一是类别不平衡：在临床队列中，耐药（阳性）样本通常远少于敏感（阴性）样本，导致模型倾向于预测多数类，从而漏诊高风险患者；二是静态集成局限性：传统的集成学习（如投票法或简单平均）或早期的多标准融合方法，通常给不同模型分配固定权重或基于简单的性能指标加权。这种方式无法在交叉验证的不同折中动态适应数据的变化，且往往平滑了表现最优模型的贡献，引入了表现平庸模型的噪声。

3、因此，本领域亟需一种能够有效处理类别不平衡数据、并采用能动态放大高性能模型影响力的集成学习方法的疾病预测方法和系统，以挖掘常规实验室数据的深层预测价值。

技术实现思路

1、本发明的目的是提供一种基于动态加权融合集成学习的疾病的预测方法及系统。

2、本发明的第一方面，提供了一种构建用于疾病分型或诊断的加权动态融合预测模型的方法，所述方法包括步骤：

3、(s1) 提供一原始多维特征数据集；所述原始多维特征数据集包括临床基线数据集和实验室检测数据集；

4、(s2) 对所述原始多维特征数据集进行预处理，获得预处理的多维特征数据集；

5、(s3) 构建基础分类器库，所述基础分类器库包括多个由m种特征选择算法和n种机器学习算法构成的基础分类器；所述m和n均为＞1的整数；

6、(s4) 利用所述预处理的多维特征数据集对所述基础分类器库中的每个基础分类器进行训练，获得每个基础分类器的预测概率；在训练过程中，根据几何平均值对每个基础分类器进行评估，选择预定数量的基础分类器作为优选分类器；

7、(s5) 利用所述优选分类器的auc和几何平均值评估所述优选分类器的综合得分；

8、(s6) 根据每个优选分类器的综合得分和带有预定温度系数的softmax函数评估每个优选分类器的权重；

9、(s7) 根据每个优选分类器的权重和预测概率进行加权求和，获得最终预测概率，从而构建所述疾病的加权动态融合预测模型。

10、在另一优选例中，在步骤(s7)中，还包括：根据所述加权动态融合预测模型的roc曲线确定使得几何平均值最大化的分类阈值。

11、在另一优选例中，所述疾病包括癌症。

12、在另一优选例中，所述癌症包括卵巢癌。

13、在另一优选例中，所述原始多维特征数据集来自疾病患者群体和任选的健康群体。

14、在另一优选例中，所述疾病患者群体包括卵巢癌铂类药物耐药群体和敏感群体。

15、在另一优选例中，所述原始多维特征数据集选自下组：正负样本不平衡数据、或正负样本平衡数据。

16、在另一优选例中，所述原始多维特征数据集为正负样本不平衡数据。

17、在另一优选例中，所述临床基线数据包括年龄和身体质量指数（bmi）。

18、在另一优选例中，所述实验室检测数据集包括血常规及系统性免疫/炎症指标、肝肾功能与生化代谢谱、肿瘤标志物组合、和凝血与纤溶功能谱。

19、在另一优选例中，所述血常规及系统性免疫/炎症指标包括：白细胞计数（wbc）、淋巴细胞百分比（lym）、中间细胞百分比（mid）、中性粒细胞百分比（gran）、嗜酸性粒细胞百分比（eos）、嗜碱性粒细胞百分比（baso）、淋巴细胞计数（lym#）、中间细胞计数（mid#）、中性粒细胞计数（gran#）、嗜酸性粒细胞计数（eos#）、嗜碱性粒细胞计数（baso#）、红细胞计数（rbc）、血红蛋白（hgb）、血细胞比容（hct）、平均红细胞体积（mcv）、平均红细胞血红蛋白量（mch）、平均红细胞血红蛋白浓度（mchc）、红细胞分布宽度变异系数（rdwcv）、红细胞分布宽度标准差（rdwsd）、血小板计数（plt）、平均血小板体积（mpv）、血小板比容（pct）、血小板分布宽度（pdw）、中性粒细胞与淋巴细胞比值（nl）。

20、在另一优选例中，所述肝肾功能与生化代谢谱包括：总胆红素（tbil）、直接胆红素（dbil）、间接胆红素（ibil）、碱性磷酸酶（alp）、丙氨酸氨基转移酶（alt）、天门冬氨酸氨基转移酶（ast）、天门冬氨酸氨基转移酶/丙氨酸氨基转移酶比值（astm）、乳酸脱氢酶（ldh）、γ-谷氨酰转移酶（ggt）、总蛋白（tp）、白蛋白（alb）、球蛋白（gelo）、白蛋白/球蛋白比值（a/g）、非酯化脂肪酸（nefa）、前白蛋白（pa）、谷氨酸脱氢酶（gldh）、胱抑素c（cysc）、糖化白蛋白（ga）、尿素（urea）、肌酐（cre）、尿酸（ua）、葡萄糖（glu）、钙、磷、镁、钾、钠、氯、总二氧化碳（tco2）。

21、在另一优选例中，所述肿瘤标志物组合包括妇科肿瘤标志物组合。

22、在另一优选例中，所述妇科肿瘤标志物组合包括：鳞状上皮细胞癌抗原（scca）、糖类抗原19-9（ca19-9）、糖类抗原125（ca125）、甲胎蛋白（afp）、癌胚抗原（cea）、神经元特异性烯醇化酶（nse）、人绒毛膜促性腺激素β亚基（β-hcg）、人附睾蛋白4（he4）。

23、在另一优选例中，所述凝血与纤溶功能谱包括：凝血酶原时间（pt）、纤维蛋白原（fib）、活化部分凝血活酶时间（aptt）、凝血酶时间（tt）、国际标准化比值（inr）、d-二聚体（ddi）、纤维蛋白降解产物（fdp）。

24、在另一优选例中，在步骤(s2)中，所述预处理包括选自下组的方法，最终获得预处理的多维特征数据集：处理离群值、填充缺失数据、校正数据分布、对数据进行标准化、和/或处理正负样本不平衡数据。

25、在另一优选例中，根据临床参考范围设置阈值，将离群值截断至该阈值，从而处理离群值。

26、在另一优选例中，填充缺失数据的方法包括多变量链式方程插补（mice）法。

27、在另一优选例中，校正数据分布的方法包括box-cox变换。

28、在另一优选例中，对数据进行标准化的方法包括最小-最大归一化。

29、在另一优选例中，利用边界合成少数类过采样技术（borderline-smote）处理正负样本不平衡数据。

30、在另一优选例中，所述基础分类器库中包括m×n中基础分类器。

31、在另一优选例中，所述特征选择算法为14种。

32、在另一优选例中，所述特征选择算法包括：方差分析f值选择法（f score）、方差分析t值选择法（t score）、双输入对称相关法（disr）、fisher得分法（fisher score）、交互上限法（icap）、联合互信息法（jmi）、拉普拉斯得分法（laplacian score）、逻辑损失l_2,1范数最小化法（ll l21）、最小二乘损失l_2,1范数最小化法（ls l21）、多聚类特征选择法（mcfs）、非负判别特征选择法（nfds）、relief-f算法（relieff）、迹比准则法（traceratio）、无监督判别特征选择法（udfs）。

33、在另一优选例中，所述机器学习算法为12种。

34、在另一优选例中，所述机器学习算法包括：自适应提升算法（adaboost）、平衡随机森林（balanced rf）、类别特征梯度提升算法（catboost）、决策树（dt）、极端随机树（extratrees）、梯度提升机（gradient boosting）、k近邻算法（knn）、轻量级梯度提升机（lgbm）、逻辑回归（lr）、随机森林（rf）、支持向量机（svm）、极端梯度提升机（xgboost）。

35、在另一优选例中，在步骤(s4)中，所述预定数量的基础分类器是通过网格搜索法确定的。

36、在另一优选例中，在步骤(s4)中，所述优选分类器为10个。

37、在另一优选例中，所述优选分类器为：

38、(1) 方差分析t值选择法与逻辑回归组合的分类器；

39、(2) 方差分析t值选择法与支持向量机组合的分类器；

40、(3) 方差分析f值选择法与逻辑回归组合的分类器；

41、(4) 迹比准则法与逻辑回归组合的分类器；

42、(5) fisher得分法与逻辑回归组合的分类器；

43、(6) fisher得分法与支持向量机组合的分类器；

44、(7) 无监督判别特征选择法与逻辑回归组合的分类器；

45、(8) 拉普拉斯得分法与逻辑回归组合的分类器；

46、(9) relief-f算法与平衡随机森林组合的分类器；和

47、(10) 多聚类特征选择法与随机森林组合的分类器。

48、在另一优选例中，在步骤(s5)中，所述综合得分的计算方式为：

49、，

50、其中，为第

i个优选分类器的auc值，为第

i个优选分类器的几何平均值，和为权重系数，满足。

51、在另一优选例中，所述，。

52、在另一优选例中，在步骤(s6)中，所述权重的计算方式为：

53、，

54、其中，为第

i个优选分类器的综合得分，k为优选分类器的个数，t为温度系数，满足0 <

t < 1。

55、在另一优选例中，所述t满足0.05≤t≤0.15、0.07≤t≤0.13、或0.09≤t≤0.11，优选地，t = 0.1。

56、在另一优选例中，所述最终预测概率的计算方式为：

57、，

58、其中，为第i个优选分类器的权重，为第i个优选分类器的预测概率。

59、在另一优选例中，所述最终预测概率的计算方式为：

60、，

61、其中，p1为(1)方差分析t值选择法与逻辑回归组合的分类器的预测概率；p2为(2)方差分析t值选择法与支持向量机组合的分类器的预测概率；p3为(3)方差分析f值选择法与逻辑回归组合的分类器的预测概率；p4为(4)迹比准则法与逻辑回归组合的分类器的预测概率；p5为(5) fisher得分法与逻辑回归组合的分类器的预测概率；p6为(6) fisher得分法与支持向量机组合的分类器；p7为(7)无监督判别特征选择法与逻辑回归组合的分类器的预测概率；p8为(8)拉普拉斯得分法与逻辑回归组合的分类器的预测概率；p9为(9)relief-f算法与平衡随机森林组合的分类器的预测概率；p10为(10)多聚类特征选择法与随机森林组合的分类器的预测概率。

62、在另一优选例中，所述加权动态融合预测模型适用于无铂间隔（pfi）< 6个月或≥12个月的卵巢癌患者。

63、本发明的第二方面，提供了一种疾病的分型/预测系统，所述预测系统包括：

64、(m1) 输入模块，所述输入模块被配置为输入数据，所述数据包括待测对象的原始多维特征数据集，所述原始多维特征数据集包括临床基线数据集和实验室检测数据集；

65、(m2) 分型/预测模块，所述分型/预测模块包括：

66、(m2.1) 预测单元，所述预测单元被配置为该疾病的预测模型，所述预测模型根据所述原始多维特征数据集对所述待测对象进行预测，获得最终预测概率；所述预测模型是通过本发明第一方面所述的方法构建的；

67、(m2.2) 鉴别单元，所述鉴别单元被配置为将所述待测对象的最终预测概率与预定的分类阈值进行比较，从而获得预测结果；

68、(m3) 输出模块，所述输出模块被配置为输出预测模块的预测结果。

69、在另一优选例中，所述分型/预测系统用于预测待测对象是否是卵巢癌铂类药物耐受患者。

70、在另一优选例中，所述分型/预测系统用于对无铂间隔（pfi）< 6个月或≥12个月的卵巢癌患者进行分型/预测。

71、在另一优选例中，所述待测对象包括疑似卵巢癌铂类药物耐受患者。

72、在另一优选例中，所述待测对象为接受不同治疗方案的卵巢癌患者。

73、在另一优选例中，所述接受不同治疗方案的卵巢癌患者包括接受初次肿瘤细胞减灭术的患者和接受新辅助化疗的患者。

74、在另一优选例中，在鉴别单元中，若所述最终预测概率＞分类阈值，则说明所述待测对象为卵巢癌铂类药物耐受患者，反之，则所述待测对象为卵巢癌铂类药物敏感患者。

75、应理解，在本发明范围内，本发明的上述各技术特征和在下文（如实施例）中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一累述。