目的 构建并验证子宫内膜异位症(EMs)患者辅助生殖治疗(ART)中新鲜胚胎移植的临床妊娠率预测模型.方法 选取2017年5月～2023年11月在本院生殖医学中心进行ART治疗的464例子宫内膜异位症不孕患者,并将其分为建模人群(60%)和验证人群(40%).采用单因素分析、多因素Logistic回归分析、LASSO回归分析EMs患者新鲜胚胎移植妊娠率的相关因素,并建立预测EMs患者新鲜胚胎移植临床妊娠率的列线图模型.采用ROC的曲线下面积(AUC)、校准曲线和决策曲线分别在建模人群和验证人群对预测模型进行验证.为提高模型性能,本研究采用Stacking集成学习方法集成GBM、XGBOOST、MLP 3种机器学习方法,利用它们各自优势相互补充以提高模型预测性能.结果 女性年龄、Gn启动用量、ART次数、移植胚胎数是影响新鲜胚胎移植临床妊娠率的独立因素(P<0.05).通过LASSO模型筛选纳入变量:女性年龄、FSH、Gn时间、Gn启动用量、ART次数、获卵数、移植胚胎数、HCG日内膜厚度、HCG日P.训练集中,模型准确性为0.642(95%CI:0.605-0.679),测试集中,模型准确性为0.652(95%CI:0.600-0.704).集成学习方法可以提高模型的性能:训练集中,模型准确性为0.725(95%CI:0.680-0.770),测试集中,模型准确性为0.718(95%CI:0.675-0.761).结论 本研究所建立预测模型有助于预测子宫内膜异位症患者新鲜胚胎移植的临床妊娠率,为子宫内膜异位症ART治疗提供指导意见.

目的 基于MRI时空异质性构建影像组学模型以早期预测三阴性乳腺癌(triple-negative breast cancer,TNBC)的病理完全缓解(pathological complete response,pCR).材料与方法 回顾性分析我院2017年9月至2022年3月接受新辅助化疗(neoadjuvant chemotherapy,NAC)的173 名 TNBC 患者资料,收集每位患者NAC 前(Pre-)和NAC 两疗程后(During-)的MRI图像.55名DUKE大学的患者构成外部验证队列.从瘤内亚区域和瘤周区域提取影像组学特征来表征空间异质性,计算NAC前后特征值的变化(Delta-)来表征时间异质性.分别使用Pre-、During-和Delta-的特征,应用最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)回归构建影像组学模型.采用多因素逻辑回归对单模态模型进行集成,构建纵向融合(Stacking)模型.通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线和决策曲线分析(decision curve analysis,DCA)评价模型的诊断效能和临床应用价值.结果 分别从Pre-、During-和Delta-特征集中选取8个、4个和10个特征构建模型.基于空间异质性的Pre-模型具有预测pCR的性能,在训练集、内部验证集和外部验证集中的ROC曲线下面积(area under the curve,AUC)分别为0.74、0.71和0.71.在训练集和验证集中,纵向融合模型预测pCR的性能最佳,AUC均为0.86.DCA结果显示纵向融合模型在临床应用中价值是最高的.结论 基于MRI空间异质性特征可以有效预测TNBC的pCR,整合时空异质性构建的纵向融合模型可以进一步提高预测性能.

针对传统的血红蛋白浓度检测需要抽血采样,检测流程复杂且无法连续监测血红蛋白浓度的变化趋势等问题,本研究设计了一种基于多波长近红外光谱的无创血红蛋白浓度检测方法.首先,基于Beer-Lambert定律建立了血红蛋白无创检测数学模型,并依据该模型设计了八波长近红外光电容积脉搏波(photoplethysmography,PPG)信号采集系统;然后,对采集的PPG信号进行降噪和滤除基线漂移等预处理,并根据建立的无创检测模型对特征信息进行提取与选择;最后,基于Stacking算法构建血红蛋白预测回归模型.通过对 249 例临床数据进行实验验证,得到无创检测模型的预测值与参考值的均方根误差为 1.17 g/dL,相关系数为 0.75.实验结果表明,本研究方法可有效实现血红蛋白浓度的无创检测.

目的:应用数据挖掘方法,建立高准确率的组合模型,对前列腺肿瘤患者的风险进行预测,为前列腺癌(prostate cancer,PCa)的预防和诊断提供参考.方法:选择在临床医学科学数据中心(301医院)进行前列腺穿刺活检的患者682例,运用互信息作为评价标准筛选出与PCa有关的特征属性;针对机器学习的XgBoost、Logistic回归、Adaboost、K近邻和随机森林算法构建单一模型,应用5折交叉验证算法筛选出预测能力较优的3种模型;使用过采样处理,构建基于Borderline-SMOTE的单一模型及构建基于Borderline-SMOTE的Stacking组合模型并探究不同组合方式的影响;最后选择301医院与芜湖弋矶山医院的37例临床病例作为外部验证集对模型进行检验.结果:通过互信息筛选出19个关键特征属性;在单一模型的研究中发现随机森林模型、XgBoost模型以及AdaBoost模型这3种模型表现较优;而基于Borderline-SMOTE的单一模型使得标签属性趋于平衡,AUC值有大幅提升;构建的3种基于Borderline-SMOTE的Stacking组合模型中以XgBoost、随机森林为初级分类器,AdaBoost为次级分类器的组合模型预测能力最好,其准确率为0.945 4,召回率为0.937 5,精确度为0.957 3,F1分数为0.947 0,AUC高达0.982 3,并且该组合模型在临床验证集上的预测也有较好效果.结论:Borderline-SMOTE过采样处理不平衡数据集十分有效,相较于单一模型的预测,基于多模型融合的Stacking集成学习方式的PCa风险预测方法有着更高的预测精度和良好的推广性能,更有助于PCa的临床诊断.

骨质疏松性骨折是老年人发病和死亡的重要原因之一,建立高效的预测模型为老年人尽早提供诊断和治疗建议十分必要.实验利用Stacking构建了一种异构分类器EtDtb-S,将16个相关性较高的特征作为特征向量,选用极端随机树(ET)、基于决策树的装袋集成模型(DTB)作为初级学习器,逻辑回归作为次级学习器进行集成.实验验证将EtDtb-S与单模型、同构分类器进行骨质疏松性骨折预测对比,结果表明异构分类器相对于最优单模型预测精度提高2.8％,相对于最优同构分类器预测精度提高1.5％,具有更高的预测性能.

目的 研究7～13岁儿童的验光指标与裸眼视力之间的相关度,以及尝试把验光指标拟合成裸眼视力值并评估其性能.方法 首先根据Pearson分析找到验光指标与裸眼视力之间的相关度,之后使用四种回归算法模型以及两个复合模型拟合裸眼视力,使用R2得分与RMSE评估模型的优劣.结果 球镜对于裸眼视力的相关度最高,眼轴长度次之;支持向量回归、梯度提升回归模型以及均值、Stacking复合模型对裸眼视力有较好的拟合性(＞0.85).结论 回归模型能够较为准确地拟合学龄儿童的裸眼视力,并可能有助于学校视力普查.

目的:通过构建组合模型对糖尿病并发视网膜病变(DR)的患病风险进行预测,为DR的预防和诊断提供参考.方法:基于3000例糖尿病患者的生化检测数据,运用互信息作为评价标准筛选出与DR有关的特征因素,将其作为入模变量构建5种常见的模型,以准确率、精确率、召回率和AUC作为评价标准筛选出预测能力较优的3种模型,并运用Stacking方法构建组合模型.结果:通过互信息筛选出39个特征因素,发现随机森林模型、SVM模型以及Logistic回归模型这3种模型表现较优;构建的3种组合模型中,发现以SVM、Logistic为初级分类器,随机森林为次级分类器的组合模型预测能力最好,其AUC高达0.877.结论:组合模型相比单一模型具有更好的DR风险预测能力,更有助于DR的临床诊断.

目的 研究机器学习算法评估妊娠期间胎儿在子宫内的状态,提出一种基于Stacking模型融合的胎儿宫内状态智能评估新方法.方法 在特征选择阶段,运用极端梯度提升树与热力图对公开的胎心数据集分析,选择出最优特征子集.在分类阶段,运用一种两层Stacking模型融合新方法对胎儿进行评估,第一层集合5种强机器学习模型来训练,第二层采用Logistics回归模型.结果 运用胎心数据测试集来验证,分类准确率达0.950,受试者曲线下面积达0.980.结论 基于Stacking模型融合的新方法可辅助临床医师对胎儿宫内健康状态进行诊断.

目的 针对阿尔茨海默病(AD)相关临床人群,包括认知正常(CN)、显著记忆障碍(SMC)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和AD进行多分类研究,以期实现AD计算机辅助诊断.方法 基于阿尔茨海默病神经影像学计划(ADNI)数据库中2 006例受试者(436例NC,261例SMC,323例EMCI,606例LMCI和380例AD),采用LASSO方法进行特征选择,SMOTE过采样方法处理类别不平衡问题,采用支持向量机、随机森林、逻辑回归和K近邻作为初级学习器,逻辑回归作为次级学习器,加权投票集成策略构建Stacking多分类诊断模型.结果 较于以上四种初级学习器,本研究构建的Stacking集成模型分类效果较好,稳定性高,在NCvs非NC,SMC vs非SMC,EMCIvs非EMCI和LMCI vs AD之间分类准确率、召回率、F1 Score均值均在92％以上,AUC均值均在0.97以上.结论 本研究构建的AD多分类Stacking集成策略,具有较好的分类性能,可科学指导AD的预防与控制,为临床医生提供自动化的AD临床辅助诊断.

目的 探讨基于Stacking结构的集成模型在预测分析辽宁省肾综合征出血热发病趋势中的可行性.方法 利用公共卫生科学数据中心2005-2018年肾综合征出血热发病数据,以集成学习方法和非集成学习方法为基学习器,以线性回归为元学习器构建Stacking集成学习模型,比较单一预测模型和由不同类预测模型组合而成的Stacking集成学习模型的预测精度.通过五折交叉验证优化参数,对肾综合征出血热发病数据进行预测,并评价模型的预测能力,采用平均绝对误差和均方根误差评价模型的预测效果.结果 最小绝对收缩和选择算子回归、多层感知器、支持向量机、随机森林、极度梯度提升树和Stacking集成学习模型交叉验证结果的平均绝对误差均值分别为48.13,49.93,47.68,23.21,23.07,24.89,经拟合设置最优参数后各模型的平均绝对误差分别为25.54,44.58,25.57,21.25,19.47,22.49;各模型交叉验证结果的均方根误差平均值分别为55.23,56.91,54.74,28.87,29.20,31.23,经拟合设置最优参数后各模型的均方根误差分别为30.24,55.24,29.56,28.41,28.47,27.77.结论 基于随机森林、极度梯度提升树和Stacking集成学习模型构建的发病人数预测模型对辽宁省肾综合征出血热发病的预测准确率优于最小绝对收缩和选择算子回归、多层感知器和支持向量机等单一模型.本研究为疾病防控工作中预测模型的选择提供一定的方法学参考.