许智彪

(上海交通大学电子信息与电气工程学院，上海 200240)

0 引 言

随着社会经济的发展和人民生活水平的提高，2型糖尿病已经成为严重威胁人类健康的重要疾病[1]。大量的研究[2-3]表明，对2型糖尿病提早进行干预是世界公认的能够降低心血管疾病发病率的有效措施。近年来，医疗数据挖掘在解决人们的健康问题上起到了重要的作用，也越来越受到广泛关注[4-7]。医疗数据挖掘不仅能够帮助医生进行诊断，使疾病在早期就能得到控制，使诊断和治疗更加便利和有效，它还能促进智能医疗系统的发展，从而在一定程度上节省人力劳动，减小区域间的医疗水平差异。

通过监督学习构建一个疾病诊断系统通常需要大量有标记数据来确保模型的质量，然而收集大量的有标记的医疗数据并不容易。首先，病人的诊断和治疗信息是高度敏感和隐私的，即使是用于科学研究，也只有极少的医院会愿意提供医疗数据。其次，医疗机构产生的数据很多是未标记的，医学诊断如果只使用那些标记的小部分样本，训练出的疾病诊断系统会缺乏泛化能力。如果人工地对这些数据进行标注不仅需要专业的医生，而且需要耗费大量的精力。因此，本文利用主动学习算法[8]，从未标注数据中有选择地选取那些最有利于提高诊断性能的样本进行标记，从而达到以尽可能少的标记成本获取尽可能高的诊断性能的目的。

糖尿病诊断可以看成是一个二分类问题，即患有糖尿病和不患糖尿病。……