邓子云

(1.长沙商贸旅游职业技术学院经济湘商学院，湖南 长沙 410116；2.湖南大学国家超级计算长沙中心，湖南 长沙 410082)

0 引 言

判断接受医学检查的人员是否患有某种疾病，常规做法是医生根据医学检查结果的各项指标值来作出知识推断，既要求医生对专业领域非常熟悉，也要求医生能清楚各项指标在患病时的取值区间[1]。能否借助大数据技术帮助医生进行辅助诊断？即在积累了某种疾病足够数量的样本数据及诊断结果后，可以使用机器学习模型来辅助诊断新的样本数据对应的人员是否患有某种疾病[2]。

可以用来辅助诊断是否患有某种疾病的机器学习模型有很多，如K-近邻模型、支持向量机模型、逻辑回归模型等，但是应当选用哪种模型更优呢？自然是认为辅助诊断更为准确的模型更优。但是怎么衡量更为准确？能否研发一种引擎为医生自动推荐一种用于疾病辅助诊断的最优的机器学习模型？本文的研究就致力于研发这种引擎，并提出选择何种模型的筛选方法。

1 国内外研究现状

1)用人工智能技术作疾病辅助诊断的研究有很多，研究人员总在试图寻找更优的机器学习模型。有的研究人员用相似性分析技术分析出新的数据与已有病例数据的相似度来辅助诊断[3]，有的研究人员用贝叶斯[4-5]、神经网络[6]等模型构建起诊断的大数据机器学习模型。这些研究的共同点是都需要有病例和非病例数据的积累，需要医护人员根据其认为可以作为判断依据的特征数据项来收集数据，再使用一种或多种模型在分析后作出比较，再选择一种最优的模型。……