19、机器学习赋能生物传感器在临床决策中的应用

机器学习赋能生物传感器在临床决策中的应用

1 机器学习算法在生物传感器中的应用

在处理高维数据时，会面临诸多挑战。单个决策树（DT）随着树的深度增加，常出现过拟合问题，即训练效果佳，但测试误差可能高得难以接受。而在众多机器学习应用中，集成方法表现出色，随机森林（RF）、提升法和装袋法是常用的集成算法。RF 通过创建多种决策树进行回归和分类，能弥补单个决策树过拟合的缺陷。它利用多个单决策树构建，将结果汇总为单一输出，从而防止过拟合并限制误差增长。例如，利用 RF 分析生物传感器阵列的大规模模拟响应信息，可实现对微小分子的高灵敏度识别；在肺癌的分类和预后中，也有基于基因表达数据的随机森林自学习方法。

除了上述方法，还有许多非神经网络算法也为生物传感器的信号处理做出贡献，如多元线性回归、k - 均值聚类和 k - 最近邻算法（kNN）。

1.1 层次聚类分析（HCA）

HCA 是一种无监督的聚类分析技术，它借助欧几里得距离、平方欧几里得距离、曼哈顿距离、最大距离和马氏距离等度量方法进行聚类分析，聚类性能取决于所选度量的恰当性。HCA 会创建一个聚类层次结构，常以树状图呈现。例如，通过比较 15 种不同啤酒中酪醇含量的相似性，HCA 展现出对啤酒进行分类的强大能力；利用配备 32 个传感器的电子鼻收集的数据，HCA 可将哮喘患者的挥发性有机化合物（VOC）模式分为三类；此外，通过 HCA 树状图，还能根据患者的健康状况对呼吸特征进行有效分组。

1.2 人工神经网络算法

过去 10 年，用于训练神经网络（NN）的图形处理器（GPU）的并行计算能力显著提升，这使得深度学习技术及其实际应用备受关注。人工神经网络的核心思想是构建