杨晶东，孟一飞，荀镕基，余少卿

（1.上海理工大学光电信息与计算机工程学院，上海 200093；2.同济大学附属同济医院耳鼻咽喉头颈外科，上海 200065）

引 言

鼻炎（Rhinitis）是普遍存在的一种呼吸系统疾病，严重影响患者的正常工作和生活。据统计，全球有20%~30% 的普通人被过敏症状困扰，2015年全球哮喘患者已达3 亿人，变应性鼻炎（Allergic rhini‐tis，AR）患者达5 亿人。在患病初期，咽喉有明显干痒感，逐渐变为烧灼与刺痛感。若未及时干预，初期轻症急性鼻炎会转化为慢性重症鼻炎，不仅治疗周期长，治疗效果也难以保证。因此，AR 初期诊断和预防对于后期的有效治疗和控制具有重要意义。

近年来许多学者将机器学习算法应用于鼻炎诊断［1］，辅助医生提高鼻炎诊断效率。Demirjian 等［2］采用改进贝叶斯理论对AR 发生概率预测，证明了免疫球蛋白（IgE）和嗜酸红细胞（Eosinophil）是一种重要影响因素。李少华等［3］采用层次聚类分析，得出5 种鼻炎常见病症与其特征相关性。黄嘉韵［4］提出了建立CART 决策树和使用关联规则算法对鼻炎5 种症型建立了辅助诊断模型，并发现了一种对症治疗规律，具有较好的准确率和可解释性。

文献［5］采用遗传编程算法（Genetic programming，GP）对多种医疗病症自主分类，通过将原始数据输送进GP 模型，并自主选择训练特征，分类准确率超越了决策树和贝叶斯方法。但GP 模型训练过程不具可解释性，不能直接应用于风险较高的诊断和临床研究。Liu 等［6］提出了采用自动超参数优化（AutoHPO）深度神经网络模型（DNN）解决医疗数据类别不平衡问题，总体精度上优于随机森林（RF）和AdaBoost 算法。……