21、机器学习技术在医疗记录与书写障碍辅助系统中的应用

机器学习技术在医疗记录与书写障碍辅助系统中的应用

监督式机器学习在医疗记录中的应用

在医疗领域，监督式机器学习技术可用于预测自身免疫性疾病。通过对多种分类器的综合平均结果分析，逻辑回归（LR）、朴素贝叶斯（NB）和支持向量机（SVM）是表现最优的三种算法。具体性能指标如下表所示：
|分类器|TP Rate|Precision|Recall|F-Measure|MCC|PRC Area|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|LR|0.840|0.852|0.840|0.843|0.803|0.873|
|NB|0.825|0.836|0.825|0.827|0.783|0.861|
|SVM|0.790|0.811|0.790|0.795|0.743|0.737|

从表格数据可以看出，LR在所有六项指标上都呈现出最佳结果，NB的各项指标结果次之，SVM在五项指标上排名第三，但在PRC Area指标上结果最差。

然而，尽管LR和NB模型的指标表现出色，但在训练阶段，这两种算法在预测肌萎缩侧索硬化症（ALS）类别时均存在困难，敏感度低于50%。并且，ALS类别的个体通常会被误分类为多发性硬化症（MS）类别。在全部43例ALS病例中，LR将35%的病例误分类为MS，NB的误分类比例则达到42%。

与之形成对比的是，对于系统性红斑狼疮（SLE）类别，NB和LR在训练阶段正确分类了299例（占比93%），在测试阶段正确分类了73例（占比92.4%）。造成这种差异的主要原因是类别不平衡。在总体样本集（n = 1000）中，SLE病例占比40%，而MS仅占5%