全雪峰

（南陽醫(yī)學(xué)高等專科學(xué)校 衛(wèi)生管理系，河南 南陽 473061）

基于隨機森林的乳腺癌計算機輔助診斷

全雪峰

（南陽醫(yī)學(xué)高等?？茖W(xué)校 衛(wèi)生管理系，河南 南陽 473061）

為提高乳腺癌診斷的準(zhǔn)確性，該文提出了一種基于隨機森林算法的乳腺癌診斷方法。用 UCI數(shù)據(jù)集提供的683例乳腺腫瘤患者進行了分類識別，5-折交叉驗證結(jié)果表明，采用新方法檢測乳癌平均準(zhǔn)確率達到96.93%，優(yōu)于概率神經(jīng)網(wǎng)絡(luò)識別方法，說明了其在乳腺癌計算機輔助診斷方面的可行性。

隨機森林；乳腺癌；計算機輔助診斷

0 引言

乳腺癌是一種危及婦女健康和生命的惡性腫瘤，是導(dǎo)致女性癌癥死亡的第二大原因[1]。根據(jù)世界衛(wèi)生組織的報道，每年有超過120萬女性被診斷患有乳腺癌[2]。因此早期診斷、積極預(yù)防已成為迫切需要解決的問題。隨著人工智能技術(shù)的迅速發(fā)展，運用計算機輔助診斷乳腺癌已受到越來越多的關(guān)注，并取得了不少成果。劉瓊蓀[3]等提出基于徑向基神經(jīng)網(wǎng)絡(luò)的乳腺癌分類模型，對100個檢測樣本的平均誤識率為23.5%。毛利鋒[4]等采用決策樹方法對乳腺癌進行判別，準(zhǔn)確率達到96%以上。劉興華[5]等人利用支持向量機進行乳腺癌識別，最佳平均分類準(zhǔn)確率達到96.24%。徐勝舟[6]等人提出結(jié)合遺傳算法的支持向量機乳腺癌診斷新方法，AUC值達到了0.908。唐思源[7]等人利用支持向量機對癌細(xì)胞的識別，取得了較好的正確識別率。

隨機森林是一種比較新的機器學(xué)習(xí)模型，它在沒有顯著提高運算量的前提下提高了預(yù)測精度。黃衍[8]等人指出，在多分類問題上，隨機森林的泛化能力明顯優(yōu)于支持向量機。文獻[9-10]指出支持向量機比BP神經(jīng)網(wǎng)絡(luò)具有更高的泛化能力。目前，隨機森林已被應(yīng)用于多個領(lǐng)域[11-12]。模型本文提出了一種基于隨機森林的乳腺癌識別方法，并使用UCI數(shù)據(jù)集驗證模型的性能，結(jié)果顯示該方法具有較好的分類準(zhǔn)確率。

1 隨機森林

隨機森林是一種集成樹形分類器[13]，由多個決策樹（h(x,θi), i=1,2,…）組成。其中h(x,θi)是用分類回歸樹CART算法構(gòu)建的沒有剪枝的分類決策樹，θi是獨立同分布的隨機向量，決定單棵樹的生長速度。在給定輸入向量 x的情況下，每個決策樹分類器通過投票來決定最優(yōu)分類結(jié)果。

隨機森林一般構(gòu)造過程如下：

（1）利用自助法（bootstrap）重抽樣技術(shù)從原始樣本集中有放回地隨機抽取 k個新的自助樣本集，以此形成一個分類器。

（2）每個自助樣本集生成單棵決策樹。在樹的每個節(jié)點處M個特征中隨機抽取m（m

（3）重復(fù)步驟（2），構(gòu)建k棵決策樹，形成隨機森林。

（4）根據(jù)每棵決策樹的投票結(jié)果，選出票數(shù)最多的一個分類。

節(jié)點不純度的度量方法是Gini準(zhǔn)則[14]。設(shè)P(ωj)是節(jié)點n上屬于ωj類樣本個數(shù)占訓(xùn)練樣本總數(shù)的頻率，則Gini不純度表示為：

2 算法設(shè)計

2.1 數(shù)據(jù)選取

本文所用數(shù)據(jù)來自UCI數(shù)據(jù)集[15]。該數(shù)據(jù)集是美國威斯康星州醫(yī)院用針吸細(xì)胞學(xué)方法所得到的乳腺癌樣本，共有699個。每一樣本具有9個特征，分別為：腫塊密度（Clump Thickness）、細(xì)胞大小均勻性（Uniformity of Cell Size）、細(xì)胞形狀均勻性（Uniformity of Cell Shape）、邊界粘連（Marginal Adhesion）、單個上皮細(xì)胞大?。⊿ingle Epithelial Cell Size）、裸核（Bare Nuclei）、微受激染色質(zhì)（Bland Chromatin）、正常核（Normal Nucleoli）、有絲分裂（Mitoses）。所有特征的屬性值都是1～10的整數(shù)，1代表正常狀態(tài)，10代表極不正常狀態(tài)，值越大表示該患者乳腺腫瘤惡性的可能性就越大。整個數(shù)據(jù)集中，有少量屬性值缺省，以“?”表示?？紤]到實驗數(shù)據(jù)的全面性，本文剔除了含有缺省屬性的病例，剩下病例中確診為良性的有444例，確診為乳腺癌惡性的有239例，共計683個樣本。

2.2 確定訓(xùn)練集與測試集

實驗中采用5折交叉驗證法對數(shù)據(jù)集進行分組和測試。即將數(shù)據(jù)隨機分為容量大致相同的5組，每一組依次輪流作為測試集，其余部分作為訓(xùn)練集。對每次分組得到的訓(xùn)練集和測試集，用隨機森林進行訓(xùn)練和測試。

2.3 分類器設(shè)計

在得到訓(xùn)練集和測試集之后就可以利用分類器進行識別了。本文采用 Matlab2013a中隨機森林工具箱函數(shù)TreeBagger（）創(chuàng)建一個隨機森林分類器，利用predict（）函數(shù)對測試集數(shù)據(jù)進行預(yù)測。

3 實驗結(jié)果與分析

3.1 決策樹個數(shù)對分類結(jié)果的影響

在隨機森林模型中，決策樹個數(shù)k影響著分類器的性能。當(dāng)k值較小時，隨機森林的分類誤差大、性能也比較差。但是構(gòu)建隨機森林的復(fù)雜度與 k值成正比，若 k值過大，則需要花費較多的時間來構(gòu)建隨機森林。不同決策樹個數(shù)與模型誤差的關(guān)系如圖1所示。

圖1 決策樹個數(shù)與模型誤差關(guān)系

由圖 1可以看出，當(dāng)決策樹個數(shù)大概大于 300以后，模型誤差趨于穩(wěn)定，因此本文將模型中決策樹個數(shù)確定為300，以此來達到最優(yōu)模型。

3.2 數(shù)據(jù)歸一化對算法性能的影響

為研究數(shù)據(jù)歸一化處理對算法性能的影響，使用相同的訓(xùn)練集和測試集，分別在歸一化到[-1,1]和未歸一化情況下進行算法測試，結(jié)果如表1所示。

表1 數(shù)據(jù)歸一化與否對模型性能的影響

由表1可以看出，數(shù)據(jù)歸一化后的分類準(zhǔn)確率低于未歸一化的分類準(zhǔn)確率。這說明，數(shù)據(jù)是否需要歸一化處理，并非一個必要條件，需根據(jù)具體情況選擇。

3.3 5-折交叉驗證結(jié)果

取隨機森林模型中決策樹個數(shù)為 300，不進行數(shù)據(jù)歸一化處理，用5-折交叉驗證對剔除含有缺省屬性后的683個樣本進行測試。由于每次所選訓(xùn)練集和測試集均不相同，因而其結(jié)果也不相同。某輪5-折交叉驗證結(jié)果如表2所示。

表2 5-折交叉驗證結(jié)果

由表2可以看出，基于隨機森林算法的乳腺癌分類模型平均分類準(zhǔn)確率達到了96.93%，說明分類準(zhǔn)確率較高。

3.4 不同算法比較

為了與其他算法進行對比分析，本文使用相同的訓(xùn)練樣本和測試樣本，采用5-折交叉驗證方法，分別與文獻[5]所提支持向量機算法以及文獻[16]所提概率神經(jīng)網(wǎng)絡(luò)算法做了性能對比，某輪5-折交叉驗證結(jié)果如表3所示。

表3 不同算法比較

由表3可以看出，本文算法的平均準(zhǔn)確率與支持向量機的平均準(zhǔn)確率相當(dāng)，但優(yōu)于概率神經(jīng)網(wǎng)絡(luò)算法。這表明隨機森林算法同支持向量機算法一樣，不僅可以較好地識別出乳腺癌患者，還可以較好地識別出非乳腺癌病例，從而可以減少人為原因造成的漏診和誤診幾率，給病人帶來福音。

4 結(jié)束語

本文將隨機森林算法用于乳腺腫瘤的良性和惡性識別。從實驗結(jié)果可以看出，該算法能較好的區(qū)分開良性腫瘤和惡性腫瘤，從而為乳腺癌的計算機輔助自動診斷提供了一種新的思路。

[1]E.C.Fear, P.M.Meaney, and M.A.Stuchly, “Microwaves for breast cancer detection”, IEEE potentials, vol.22, pp.12-18, February-March 2003.

[2]Akay M F.Support vector machines combined with feature selection for breast cancer diagnosis[J].Expert systems with applications, 2009, 36(2): 3240-3247.

[3]劉瓊蓀, 何離慶.基于人工神經(jīng)網(wǎng)絡(luò)的乳腺癌診斷模型[J].重慶大學(xué)學(xué)報(自然科學(xué)版), 2003, 26(4): 70-72.

[4]毛利鋒, 瞿海斌.一種基于決策樹的乳腺癌計算機輔助診斷新方法[J].江南大學(xué)學(xué)報(自然科學(xué)版), 2004, 3(3): 227-229.

[5]劉興華, 蔡從中, 袁前飛等.基于支持向量機的乳腺癌輔助診斷[J].重慶大學(xué)學(xué)報(自然科學(xué)版), 2007, 30(6): 140-144.

[6]徐勝舟, 裴承丹.基于遺傳算法和支持向量機的乳腺腫塊識別[J].計算機仿真, 2015, 32(2): 432-435, 440.

[7]唐思源, 柳原, 崔媛.利用支持向量機對癌細(xì)胞的識別[J].軟件, 2014, 35(3): 170-171.

[8]黃衍, 查偉雄.隨機森林與支持向量機分類性能比較[J].軟件, 2012, 33(6): 107-110.

[9]王宏濤, 孫劍偉.基于BP神經(jīng)網(wǎng)絡(luò)和SVM的分類方法研究[J].軟件, 2015, 36(11): 96-99.

[10]肖曉, 徐啟華.基于SVM與BP的分類與回歸比較研究[J].新型工業(yè)化, 2014, 4(5): 48-53.

[11]全雪峰.基于奇異熵和隨機森林的人臉識別[J].軟件, 2016, 37(02): 35-38.

[12]王浩.基于隨機森林的網(wǎng)絡(luò)攻擊檢測方法[J].軟件, 2016, (11): 60-63.

[13]Breiman L.Random forests[J].Machine learning, 2001, 45(1): 5-32.

[14]張洪強, 劉光遠, 賴祥偉等.隨機森林算法在肌電的重要特征選擇中的應(yīng)用[J].計算機科學(xué), 2013, 40(1): 200-202.

[15]William H.Wolberg, UCI Machine Learning Repository[DB/OL].(2016-4-24).http: //archive.ics.uci.edu/ml.

[16]程智輝, 陳將宏.基于概率神經(jīng)網(wǎng)絡(luò)的乳腺癌計算機輔助診斷[J].計算機仿真, 2012, 29(9): 166-169.

Computer-Aided Diagnosis of Breast Cancer Based on Random Forest

QUAN Xue-feng
(Department of Health Management, Nanyang Medical College, Nanyang 473061, China)

In order to improve the accuracy of diagnosis of breast cancer, this paper proposes a method for diagnosis of breast cancer based on random forest algorithm.With 683 cases of breast cancer patients from UCI data sets for identification and classification, 5-fold cross validation results show that average accuracy rate reached 96.93% by this new method for the detection of breast cancer.This is superior to probabilistic neural network recognition method, indicating the feasibility of computer-aided breast cancer diagnosis.

Random forest; Breast cancer; Computer-aided diagnosis

TP391

A

10.3969/j.issn.1003-6970.2017.03.012

河南省醫(yī)學(xué)教育研究課題(Wjlx2015133)

全雪峰(1969-)，男，副教授，主要研究方向為智能信息處理。

本文著錄格式：全雪峰.基于隨機森林的乳腺癌計算機輔助診斷[J].軟件，2017，38（3）：57-59