基于梯度提升决策树技术构建问诊融合舌象特征的中医体质辨识模型的探索研究  

Exploration and Research on Constructing a Traditional Chinese Medicine Constitution Identification Model Based on Gradient Boosting Decision Tree Technology and Integrating Tongue Image Features in Consultation

作　　者：李慧颖 陈晓云[1] 赵云帆 赵旭 谈欣怡 周丽娜 程诗雨 严乾畅 LI Huiying;CHEN Xiaoyun;ZHAO Yunfan;ZHAO Xu;TAN Xinyi;ZHOU Lina;CHENG Shiyu;YAN Qianchang

机构地区：[1]上海中医药大学附属龙华医院,上海200032 [2]上海国民集团健康科技有限公司,上海200237

出　　处：《中国中医基础医学杂志》2024年第11期1861-1866,共6页JOURNAL OF BASIC CHINESE MEDICINE

基　　金：促进市级医院临床技能与临床创新三年行动计划(2020—2022年)重大临床研究项目(SHDC2020CR4095);上海市科委临床医学研究中心项目(21MC1930500);国家中医药管理局高水平中医药重点学科建设项目(中医肿瘤病学)(zyyzdxk-2023063)。

摘　　要：目的应用机器学习方法,对融合舌象特征的中医体质新型量表与中医体质量表进行多维度优效性比较,以获得更适合临床使用的中医体质辨识模型。方法前瞻性招募患者进行客观化舌象特征和中医体质量表数据采集,将60条目中医体质量表简化为9道多选题形式,利用梯度提升决策树(gradient boosting decision tree,GBDT)方法将舌象特征和9题判定的体质特征进行融合进而构建中医体质辨识的GBDT模型,同时建立支持向量回归(support vector regression,SVR)和线性回归(linear regression,LR)机器学习模型,通过比较不同模型位于前3(top3)的偏颇体质一致率以及R 2决定系数,验证GBDT模型的可行性。结果共获得374例患者完整数据。GBDT模型与60条目中医体质量表体质判定结果进行比较,top3一致率为75.56%。从机器学习回归模型性能评价角度来看,GBDT模型的R^(2)决定系数为0.7727,相较于SVR和LR两种方法,R^(2)分别高出0.013和0.0628,表明GBDT模型具有更好的拟合能力。结论融合舌象特征和9题判定的体质特征构建的中医体质辨识GBDT模型具有可行性,有利于提升体质辨识的效率,还具备较高的可靠性和准确性,能够为中医临床决策提供有力支持。

关 键 词：体质辨识模型 中医体质量表 舌象特征 梯度提升决策树 机器学习 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程] R241[自动化与计算机技术—控制科学与工程]