一种基于随机森林模型的近视预测系统

本发明属于眼科疾病机器学习诊断，具体涉及一种基于随机森林模型的近视预测系统。

背景技术：

1、近视眼是世界范围内的导致视力障碍的高发疾病，通常被认为是一种良性疾病，因为视力可以通过眼镜、隐形眼镜和屈光手术来矫正。尽管临床已有较为成熟且种类多样的近视眼矫正和防控方法，在过去的几十年里它的发病率还是越来越高。目前，虽然没有完整的理论能够阐明近视的病因，但基本确定近视是环境因素和遗传因素共同作用的结果。

2、现有技术中，近视在临床上最常用的诊断方法是近视影像学即近视成像，但是由于不同患者的眼睛形状具有特异性，眼内光学缺陷等会导致近视成像在应用过程中具有挑战性，所以诊断中使用的成像模式包括摄影、基于染料的血管造影、超声(包括生物显微镜)和mri。另外，oct现在也已经成为诊断近视引起的眼组织改变的常用工具。

3、机器学习作为人工智能的主要技术方向，与以往计算机程序的不同在于人工智能可以在大数据量的情况下进行自我优化，可以揭示个体信息和疾病间的隐藏关系，因此被应用于生命科学领域。特别是在对影像学依赖性强的眼科学，大量的影像学资源为机器学习提供数据资源，这些资源利于机器学习在眼科疾病的预测和诊断方面发挥巨大作用。中国发明专利申请“cn114048687a一种近视、高度近视预测模型及其应用”尝试以生活习惯和遗传等方面的信息预测近视发生的风险。然而该模型只能进行风险的预测，无法实现对近视的临床诊断。目前现有技术中尚缺乏其他如何利用各种生化指标构建近视诊断相关机器学习模型的研究，因此，提出适用于近视诊断的机器学习模型的相关诊断指标仍然是本领域亟需解决的问题。

技术实现思路

1、针对现有技术的问题，本发明提供一种近视预测系统，目的在于优选合适的生化指标，构建用于近视诊断的机器学习模型。

2、一种近视预测系统，包括：

3、输入模块，用于输入受试者的检测信息；

4、预测模块，用于将所述检测信息作为特征输入机器学习模型，预测受试者患有近视的风险；

5、输出模块，用于输出预测模块的计算结果；

6、其中，所述检测信息包括血液中的如下指标中的至少一种：淋巴细胞率、中性粒细胞率、嗜酸性粒细胞率、肌酸激酶同工酶mb活性、前白蛋白、钙、红细胞平均血红蛋白浓度、抗pm_scl抗体、估算肾小球滤过率、肌酐、胆红素、间接胆红素、白球比、球蛋白和上皮细胞。

7、优选的，所述检测信息包括血液中的如下指标中的至少一种：淋巴细胞率和中性粒细胞率。

8、优选的，所述机器学习模型的算法为随机森林、核支持向量机或梯度提升机。

9、优选的，所述机器学习模型的算法为随机森林。

10、优选的，建立所述机器学习模型时，利用欠抽样的方法时数据集平衡。

11、优选的，建立所述机器学习模型时，利用selectpercentile函数进行特征提取，提取对预测贡献最大的前15％的特征，最后构建带有5折交叉验证的随机森林模型。

12、本发明还提供一种计算机可读存储介质，其上存储有用于实现上述预测系统的计算机程序。

13、本发明通过优化输入模型的生化指标，构建了能够准确预测近视的机器学习模型。本发明构建的随机森林模型f1-score为0.97，精度为0.97，特异性为0.99，灵敏度为0.96，auc面积为0.99，模型性能优异，具有很好的应用前景。

14、显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

15、以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

技术特征：

1.一种近视预测系统，其特征在于，包括：

2.按照权利要求1所述的预测系统，其特征在于：所述检测信息包括血液中的如下指标中的至少一种：淋巴细胞率和中性粒细胞率。

3.按照权利要求1所述的预测系统，其特征在于：所述机器学习模型的算法为随机森林、核支持向量机或梯度提升机。

4.按照权利要求3所述的预测系统，其特征在于：所述机器学习模型的算法为随机森林。

5.按照权利要求4所述的预测系统，其特征在于：建立所述机器学习模型时，利用欠抽样的方法时数据集平衡。

6.按照权利要求4所述的预测系统，其特征在于：建立所述机器学习模型时，利用selectpercentile函数进行特征提取，提取对预测贡献最大的前15％的特征，最后构建带有5折交叉验证的随机森林模型。

7.一种计算机可读存储介质，其特征在于：其上存储有用于实现权利要求1-6任一项所述的预测系统的计算机程序。

技术总结本发明属于眼科疾病机器学习诊断技术领域，具体涉及一种基于随机森林模型的近视预测系统。本发明的系统包括：输入模块，用于输入受试者的检测信息；预测模块，用于将所述检测信息作为特征输入机器学习模型，预测受试者患有近视的风险；输出模块，用于输出预测模块的计算结果；其中，所述检测信息包括如下指标中的至少一种：淋巴细胞率、中性粒细胞率、嗜酸性粒细胞率、肌酸激酶同工酶MB活性、前白蛋白、钙、红细胞平均血红蛋白浓度、抗PM_Scl抗体、估算肾小球滤过率、肌酐、胆红素、间接胆红素、白球比、球蛋白和上皮细胞。本发明系统能够准确预测近视，在临床上具有很好的应用前景。技术研发人员：黄璐琳,邓燕辉,帅平,李泓靓受保护的技术使用者：四川省医学科学院·四川省人民医院技术研发日：技术公布日：2024/6/13