集成学习机制下的鼻炎辅助诊断模型

鼻炎（Rhinitis ）是上呼吸道常见的慢性炎症，具有多种证型和体征。鼻炎临床分类具有样本类型多、类别不平衡特征，属于多输出分类范畴，常出现少数类样本识别率低、综合分类精度差的问题。为此，本文提出异质集成结构分类算法，将鼻炎多输出分类转化为多标签和多类别分类，采用集成学习算法构建异质集成分类器。该方法可根据子数据集中单一类标的不平衡度，自动调节集成森林基学习器数量和深度，有效减少不均衡样本对分类的影响，提高多数类和少数类的总体分类精度，进而提升集成模型的泛化能力。针对临床461例鼻炎样本进行交叉验证分类实验，本文分类模型灵敏度为74.9%，特异性为86.5%，准确度为92.0%，F1为0.783，AUC为0.953。与6种典型模型相比，本文模型具有更好的评估性能，更适合于鼻炎的早期临床诊断。