基于多标签机器学习的糖尿病肾病中医"同病异证"风险评估模型的构建

目的 基于多标签机器学习算法策略,构建符合中医特色的糖尿病肾病"同病异证"风险评估模型并比较其效能,为辅助中医药防治糖尿病肾病提供更高效的方法.方法 利用8795条糖尿病肾病诊疗数据,基于复杂网络社区发现算法进行特征选择,分别在"转化问题"与"算法适应"2种算法策略下,使用支持向量机(SVM)、自组织增强(AdaBoost)、多标签条件随机场(ML-RBF)、多标签最近邻(ML-KNN)等算法构建多标签学习模型,并使用5种评价指标对模型效能进行比较.结果 最终构建了具有8795条样本,113个指标、15个证型标签的糖尿病肾病多标签数据集.模型评价方面,ML-KNN在海明损失(Hamming Loss)、排序损失(ranking Loss)、覆盖度(Coverage)指标上性能最好;SVM在1-错误率(one-error)指标上出现3次最小值,但仍以KNN的one-error指标平均值最佳;4种模型的平均精度(average precision)均在90％以上,以ML-KNN及ML-RBF性能相对最佳.上述4种模型在糖尿病肾病"同病异证"的多证型风险评估方面均具有较好的诊断效能,综合来看ML-KNN性能相对最优.结论 多标签机器学习算法能够用于中医多证型等复杂情况的风险评估,为辅助中医药防治糖尿病肾病提供参考,也为多标签机器学习在全科医学临床多病种诊疗的应用提供方法学借鉴.