柯東　晏峻峰

關(guān)鍵詞：肺癌；SMOTE過(guò)采樣；特征選擇；遺傳算法；集成算法；XGBoost

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8228（2023）11-131-05

0 引言

肺癌是起源于肺部支氣管黏膜或腺體的惡性腫瘤，其發(fā)病率和死亡率增長(zhǎng)很快，是對(duì)人的健康及生命威脅最大的惡性腫瘤之一[1]。由于肺栓塞常常伴有呼吸困難、咳嗽、胸痛、咯血等癥狀，臨床癥狀特異性不強(qiáng)，通常難以鑒別，故漏診率較高，以致延誤救治時(shí)機(jī)[2]。在我國(guó)，肺癌是危害人類的生命健康的主要惡性腫瘤之一，在排名前十的惡性腫瘤中，肺癌的發(fā)病率和死亡率分別占20.03% 和26.99%[3]。若肺癌在早期階段能被及時(shí)發(fā)現(xiàn)并得到恰當(dāng)?shù)闹委煟颊叩? 年生存率可提高到50% 甚至更高[4]。

在早些年，Ledley[5]等人第一次將醫(yī)學(xué)領(lǐng)域的數(shù)學(xué)模型應(yīng)用到計(jì)算機(jī)輔助診斷中，首次提出計(jì)算機(jī)輔助診斷。Weizeng Li 等[6]提出了將決策樹和邏輯回歸相結(jié)合的邏輯樹，分別評(píng)估單個(gè)和多個(gè)腫瘤標(biāo)志物的診斷價(jià)值；Caijoie Ren 等[7]提出一種基于臨床肺癌個(gè)體化鑒別方案，采用LASSO 進(jìn)行回歸分析，得到了最優(yōu)預(yù)測(cè)結(jié)果；Nuhic Jusua 等[8]利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)模型作為一種非侵入性工具來(lái)區(qū)分惡性與良性，應(yīng)用于肺癌的預(yù)測(cè)分類。Stefano Elia 等[9]使用遺傳算法在五種腫瘤標(biāo)志物種選擇出兩種指標(biāo)物進(jìn)行聯(lián)合檢測(cè)，得到了最好的肺癌預(yù)測(cè)結(jié)果。相對(duì)于單個(gè)模型而言，集成模型由多個(gè)基學(xué)習(xí)器構(gòu)成，因此具有更好的分類和回歸效果。例如張楚函[10]以隨機(jī)森林算法建立術(shù)前診斷模型，建立了肺癌前期預(yù)診斷模型；張雨晴等[11]應(yīng)用隨機(jī)森林分析非吸煙女性肺癌風(fēng)險(xiǎn)因素。然而，機(jī)器學(xué)習(xí)在肺癌研究中也面臨一些挑戰(zhàn)，如樣本大小、數(shù)據(jù)質(zhì)量、模型的可解釋性以及算法模型耗時(shí)長(zhǎng)等方面的限制。因此，本研究致力于解決這些問(wèn)題，探索臨床上肺癌患者與其生活習(xí)慣之間的關(guān)系，建立基于生活習(xí)慣進(jìn)行肺癌預(yù)測(cè)的分類模型。通過(guò)算法的融合、優(yōu)化，確定的最終模型在肺癌數(shù)據(jù)集上進(jìn)行試驗(yàn)，實(shí)驗(yàn)得到93.2% 的高準(zhǔn)確率，同時(shí)算法模型相比強(qiáng)分類器SVM 具有更快的響應(yīng)速度，充分證明該模型能應(yīng)用到臨床，輔助醫(yī)生進(jìn)行疑似病例的肺癌預(yù)測(cè)，結(jié)合必要的醫(yī)學(xué)檢查，及時(shí)對(duì)肺癌患者進(jìn)行醫(yī)學(xué)干預(yù)，為肺癌患者爭(zhēng)取更多的治療從而提高生存率。

1 研究方法

本文方法如下：不平衡數(shù)據(jù)是指數(shù)據(jù)集中某一類別的樣本數(shù)量明顯少于其他類別的樣本數(shù)量[12]，本文數(shù)據(jù)集標(biāo)簽比例嚴(yán)重失衡，標(biāo)簽為0 的樣本29 條，標(biāo)簽為1 的樣本280 條，即正負(fù)標(biāo)簽比例大約為1：9，因此引入過(guò)采樣技術(shù)SMOTE 方法對(duì)數(shù)據(jù)做均衡化處理；對(duì)本實(shí)驗(yàn)所用到的肺癌數(shù)據(jù)集進(jìn)行隨機(jī)森林重要性排名，根據(jù)排名結(jié)果選擇貢獻(xiàn)較大的特征，參與模型計(jì)算，實(shí)現(xiàn)降低數(shù)據(jù)緯度、提高分類準(zhǔn)確率的效果；構(gòu)建GA-XGBoost 算法模型即：采用遺傳算法優(yōu)化梯度提升樹算法XGBoost，并與其他機(jī)器學(xué)習(xí)方法如支持向量機(jī)（SVM），決策樹（DT）、K 最近鄰（KNN）、貝葉斯（NB）以及未調(diào)優(yōu)的XGBoost 進(jìn)行對(duì)比，證明模型的優(yōu)越性。具體流程圖如圖1 所示。

1.1 構(gòu)建GA-XGBoost 模型

極端梯度提升樹（XGBoost）算法是由陳天奇在2014 年提出，該算法能夠極大地提升模型的訓(xùn)練速度和預(yù)測(cè)精度[13]。它的設(shè)計(jì)是為了正確使用資源，克服以往梯度提升的局限性[14]。本文XGBoost 目標(biāo)函數(shù)如下：

遺傳算法（GA）是一種求解優(yōu)化問(wèn)題的工具[15]，主要用于解決搜索和優(yōu)化問(wèn)題。算法過(guò)程如下：

⑴ 初始化：生成一組初始種群，其中每個(gè)個(gè)體代表一個(gè)解。

⑵ 適應(yīng)度評(píng)估：對(duì)每個(gè)個(gè)體進(jìn)行適應(yīng)度評(píng)估，即計(jì)算其對(duì)應(yīng)的目標(biāo)函數(shù)值。

⑶ 選擇：從種群中選擇一部分個(gè)體作為下一代種群的父代。

⑷ 交叉：對(duì)父代中的個(gè)體進(jìn)行交叉操作，生成新的子代。

⑸ 變異：對(duì)子代中的個(gè)體進(jìn)行變異操作，引入隨機(jī)因素，增加種群的多樣性，防止算法陷入局部最優(yōu)解。

⑹ 更新種群：將父代和子代合并，生成新的種群。

⑺ 終止條件判斷：判斷是否達(dá)到終止條件，如最大迭代次數(shù)、目標(biāo)函數(shù)達(dá)到某個(gè)閾值等。

⑻ 輸出結(jié)果：輸出最優(yōu)解或者最優(yōu)解對(duì)應(yīng)的目標(biāo)函數(shù)值。

本實(shí)驗(yàn)構(gòu)建GA-XGBoost 肺癌診斷模型如圖2。

2 實(shí)驗(yàn)過(guò)程及結(jié)果分析

本文基于Anaconda開發(fā)環(huán)境下的jupyter-notebook編輯器。研究選用kaggle 學(xué)習(xí)庫(kù)所公開的的肺癌數(shù)據(jù)集。該數(shù)據(jù)集包含疑似肺癌患者平時(shí)生活習(xí)慣和生理、行為表現(xiàn)等部分?jǐn)?shù)據(jù)，一共有309 個(gè)樣本，類別為良性腫瘤和肺癌腫瘤，數(shù)據(jù)集包含的14 個(gè)特征基于疑似患者的生活記錄，分別是年齡（AGE）性別（SEX）、是否吸煙（SMOKING）、黃色手指（YELLOW）、平時(shí)是否有同輩壓力（PRESSURE）、是否焦慮（ANXIETY）、是否有慢性?。–HRONIC DISEASE）、是否感到疲勞、是否哮喘、藥物過(guò)敏（ALLERGY）、飲酒（ALCOHOL CONSUMING）、咳嗽（COUGHING）、呼吸急促（SHORTNESS OF BREATH）、吞咽困難、胸痛（CHEST PAIN）、是否肺癌（LUNG_CANCER）。特征中“是”為1，“否”為0；標(biāo)簽中患肺癌為1，沒(méi)有患肺癌為0。實(shí)驗(yàn)以70% 的數(shù)據(jù)集作為訓(xùn)練集，30% 作為測(cè)試集。

2.1 評(píng)價(jià)指標(biāo)

在分類指標(biāo)問(wèn)題上采用混淆矩陣是最直觀的，混淆矩陣可以詳細(xì)的展示分類性能?；煜仃嚾绫?所示。

本文在混淆矩陣基礎(chǔ)上引入準(zhǔn)確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）作為算法的判斷指標(biāo)。其中靈敏度又叫真陽(yáng)性比例，即實(shí)際發(fā)病且被準(zhǔn)確診斷的病人所占比例；特異度又稱為真陰性率，是指實(shí)際無(wú)病并能準(zhǔn)確檢測(cè)的病歷所占比例：

2.2 數(shù)據(jù)均衡化處理

本文數(shù)據(jù)集標(biāo)簽比例嚴(yán)重失衡，標(biāo)簽為0 的樣本29 條，標(biāo)簽為1 的樣本280 條，即正負(fù)標(biāo)簽比例大約為1：9。采用SVM-SMOTE 過(guò)采樣技術(shù)進(jìn)行數(shù)據(jù)均衡化處理，原始數(shù)據(jù)和均衡化處理后的數(shù)據(jù)分布如圖3、圖4 所示。

2.3 特征選擇

特征重要性計(jì)算結(jié)果可以用于特征選擇和可視化，幫助我們理解模型的特征貢獻(xiàn)程度，從而更好地解釋和使用模型。本文通過(guò)隨機(jī)森林算法得出特征重要性排序，結(jié)果如表2 所示。

排在后面四位的是YELLOW_FINGERS，GENDER，ANXIETY，F(xiàn)ATIGUE，由于這四個(gè)特征重要性比較低，故予以剔除，保留排名結(jié)果選擇排名靠前的10 個(gè)特征重新訓(xùn)練模型。比較SMOTE 均衡化前后、進(jìn)行特征選擇前后進(jìn)行XGBoost 訓(xùn)練，結(jié)果如表3 所示。

2.4 GA-XGBoost 實(shí)驗(yàn)結(jié)果

和隨機(jī)森林算法（Random Forest，RF）超參數(shù)空間類似[16]，XGBoost 超參數(shù)眾多，需要手動(dòng)設(shè)定。本文選取常見的三個(gè)超參數(shù)：n_estimators（樹的數(shù)量），max_depth（最大樹深度）、learning rate（學(xué)習(xí)率）進(jìn)行遺傳算法優(yōu)化，將評(píng)估指標(biāo)AUC 作為適應(yīng)度函數(shù)。考慮到適應(yīng)度函數(shù)上界難以確定，本文選取最大循環(huán)次數(shù)作為算法的終止條件。本文借助可視化工具—學(xué)習(xí)曲線，確定超參數(shù)的大致范圍，三個(gè)超參數(shù)的學(xué)習(xí)曲線圖分別如圖5、圖6、圖7 所示。

由學(xué)習(xí)曲線可知，n_estimators 最佳取值在60左右，max_depth 最佳取值為6 左右，learning_rate 最佳范圍為0.2 到0.3 之間。用遺傳算法進(jìn)行最優(yōu)值搜索：設(shè)定n_estimators 范圍為50 到75，步長(zhǎng)為1；max_depth范圍為4 到9，步長(zhǎng)為1。Learning_rate 范圍設(shè)定為0.2-0.3，步長(zhǎng)為0.01。遺傳算法結(jié)果如表4 所示。

得到XGBoost 最佳參數(shù)后，為了驗(yàn)證模型的優(yōu)越性，同其他機(jī)器學(xué)習(xí)進(jìn)行比較。不同算法的比較結(jié)果如表5 所示。

進(jìn)行遺傳算法優(yōu)化的GA-XGBoost 模型，準(zhǔn)確率達(dá)到0.932，靈敏度達(dá)到0.928。特異度達(dá)到0.921，準(zhǔn)確率和靈敏度最高。雖然SVM 在分類中也表現(xiàn)出了不俗的性能，在特異度上較XGBoost 稍高，但作為強(qiáng)分類器，SVM 復(fù)雜度高，耗時(shí)長(zhǎng)。在講究實(shí)效性的臨床醫(yī)療診斷中，基于簡(jiǎn)單學(xué)習(xí)器集成的XGBoost 算法在高分類性能的同時(shí)還能實(shí)現(xiàn)快速運(yùn)算，與其他機(jī)器學(xué)習(xí)方法相比，進(jìn)行遺傳算法優(yōu)化的GA-XGBoost，表現(xiàn)堪稱完美。

3 結(jié)束語(yǔ)

對(duì)疑似患者進(jìn)行早期的預(yù)測(cè)診斷是應(yīng)對(duì)肺癌的有效手段[17]。本文提出的基于GA-XGBoost 算法的預(yù)測(cè)分類模型在準(zhǔn)確率、靈敏度和特異度三項(xiàng)指標(biāo)上表現(xiàn)優(yōu)異，運(yùn)行時(shí)效上優(yōu)勢(shì)明顯。模型的最終目的是在臨床上指導(dǎo)醫(yī)生對(duì)患者的肺癌風(fēng)險(xiǎn)進(jìn)行提前判斷，但本文數(shù)據(jù)集是肺癌患者的日常表現(xiàn)、生活習(xí)慣記錄，存在一定的主觀性，未來(lái)可以從更多的臨床電子病例出發(fā)，采用客觀、標(biāo)準(zhǔn)化的數(shù)據(jù)。下一步結(jié)合大樣本，高緯度的客觀化數(shù)據(jù)，嘗試深度學(xué)習(xí)的建模，致力于人工智能在人類的癌癥事業(yè)中的更大應(yīng)用。