基于特征选择下机器学习的活动性结核病辅助诊断

[目的]对疑似结核病患者进行细胞因子联合检测,并通过多种结合特征选择的机器学习算法对细胞因子水平进行分析,以实现活动性结核病的辅助诊断.[方法]基于42位活动性结核患者和38位非活动性结核患者的血清细胞因子水平数据,采用改进的多种群遗传算法(IMPGA)、多种群遗传算法(MPGA)、粒子群优化算法(PSO)和皮尔逊相关系数(PCC)筛选4种特征选择方法,结合逻辑回归(LR)、支持向量机(SVM)和极端梯度提升(XGBoost)3种分类器,探究活动性结核病分类效果并甄选关键特征.[结果]结合特征选择的机器学习方法相对于无特征选择的机器学习方法直接应用有明显提升,所有方法中IMPGA-SVM分类效果最佳,筛选结果平均特征个数为4.4,受试者工作特征曲线下面积为0.880.分析最佳算法特征选择结果,发现使用结核抗原ESAT6/CFP10融合蛋白刺激后的γ-干扰素诱导单核细胞因子T(MIG-T)出现的次数较其他特征更频繁.[结论]综上,结合特征选择的机器学习方法可辅助诊断活动性结核病.