基于血清肿瘤标志物的Logitboost模型用于肺腺癌和肺鳞癌鉴别的初步研究

目的利用肺癌血清肿瘤标志物建立Logitboost模型,并探讨该模型用于鉴别肺鳞癌与肺腺癌的可行性。方法选取2018年1月至2019年6月山东第一医科大学第一附属医院收治并经病理学证实为肺癌的患者222例,包括肺腺癌125例(肺腺癌组)、肺鳞癌97例(肺鳞癌组)。检测并记录两组患者血清癌胚抗原(CEA)、鳞状上皮细胞癌抗原(SCC)、神经元特异性烯醇化酶(NSE)、胃泌素释放肽前体(pro-GRP)、细胞角蛋白19片段(CYFRA21-1)表达水平。以肿瘤分型作为因变量,血清肿瘤标志物水平作为自变量,拟合Logitboost模型,采用10折交叉验证对模型进行评价。结果肺腺癌组患者SCC、NSE、pro-GRP、CYFRA21-1水平低于肺鳞癌组,肺腺癌组CEA水平高于肺鳞癌组,差异均有统计学意义(P<0.05)。SCC、NSE、CEA、pro-GRP、CYFRA21-1用于鉴别肺腺癌和肺鳞癌的受试者工作特征(ROC)曲线的曲线下面积(AUC)分别为0.642、0.577、0.647、0.579、0.627。利用5种肺癌血清肿瘤标志物拟合Logitboost模型,训练集AUC为0.882,10折交叉验证后,验证集预测准确率为71.9%,AUC为0.784。结论利用肺癌血清肿瘤标志物建立的Logitboost模型对鉴别肺鳞癌和肺腺癌有一定价值。

Logitboost法与累积比数Logit模型在判别分析中的应用分析

目的:探讨Logitboost和累积比数Logit模型这两种方法应用于判别分析的优缺点。方法:简要介绍Logitboost和累积比数Logit模型的原理,并采用此两种方法分别对同一个实例进行判别分析。结果:两种方法的判别正确率均较高。Logitboost判别效果高于累积比数Logit模型判别。讨论:在迭代轮数适当的情况下,Logitboost判别正确率更高,受迭代次数影响较大;而累积比数Logit模型的稳定性较强。在对事件进行判别时,可根据数据资料的具体特点选用判别方法,也可将两种方法结合应用,取其判别效果较好者。

一种新型的模型树算法研究及应用

决策树算法训练速度快、结果易于解释,但在实际应用中其分类精度难以满足业务要求。为了提高决策树算法的精度,基于LogitBoost算法的优点,对决策树C4.5算法进行了改进。在决策树的叶节点上应用LogitBoost算法建立叠加回归模型,得到一种新型的模型树算法-LCTree算法。通过11组UCI数据集试验,经分析比较,证明LCTree算法比其他算法更有效。将该算法应用于电信客户离网预警系统建模,结果表明,该算法可有效地分析客户特征,精确地预测离网客户。