基于GA-XGBoost 算法的肺癌預測研究

柯東　晏峻峰

關鍵詞：肺癌；SMOTE過采樣；特征選擇；遺傳算法；集成算法；XGBoost

中圖分類號：TP391 文獻標識碼：A 文章編號：1006-8228（2023）11-131-05

0 引言

肺癌是起源于肺部支氣管黏膜或腺體的惡性腫瘤，其發(fā)病率和死亡率增長很快，是對人的健康及生命威脅最大的惡性腫瘤之一[1]。由于肺栓塞常常伴有呼吸困難、咳嗽、胸痛、咯血等癥狀，臨床癥狀特異性不強，通常難以鑒別，故漏診率較高，以致延誤救治時機[2]。在我國，肺癌是危害人類的生命健康的主要惡性腫瘤之一，在排名前十的惡性腫瘤中，肺癌的發(fā)病率和死亡率分別占20.03% 和26.99%[3]。若肺癌在早期階段能被及時發(fā)現(xiàn)并得到恰當?shù)闹委?，患者? 年生存率可提高到50% 甚至更高[4]。

在早些年，Ledley[5]等人第一次將醫(yī)學領域的數(shù)學模型應用到計算機輔助診斷中，首次提出計算機輔助診斷。Weizeng Li 等[6]提出了將決策樹和邏輯回歸相結合的邏輯樹，分別評估單個和多個腫瘤標志物的診斷價值；Caijoie Ren 等[7]提出一種基于臨床肺癌個體化鑒別方案，采用LASSO 進行回歸分析，得到了最優(yōu)預測結果；Nuhic Jusua 等[8]利用機器學習算法預測模型作為一種非侵入性工具來區(qū)分惡性與良性，應用于肺癌的預測分類。Stefano Elia 等[9]使用遺傳算法在五種腫瘤標志物種選擇出兩種指標物進行聯(lián)合檢測，得到了最好的肺癌預測結果。相對于單個模型而言，集成模型由多個基學習器構成，因此具有更好的分類和回歸效果。例如張楚函[10]以隨機森林算法建立術前診斷模型，建立了肺癌前期預診斷模型；張雨晴等[11]應用隨機森林分析非吸煙女性肺癌風險因素。然而，機器學習在肺癌研究中也面臨一些挑戰(zhàn)，如樣本大小、數(shù)據(jù)質量、模型的可解釋性以及算法模型耗時長等方面的限制。因此，本研究致力于解決這些問題，探索臨床上肺癌患者與其生活習慣之間的關系，建立基于生活習慣進行肺癌預測的分類模型。通過算法的融合、優(yōu)化，確定的最終模型在肺癌數(shù)據(jù)集上進行試驗，實驗得到93.2% 的高準確率，同時算法模型相比強分類器SVM 具有更快的響應速度，充分證明該模型能應用到臨床，輔助醫(yī)生進行疑似病例的肺癌預測，結合必要的醫(yī)學檢查，及時對肺癌患者進行醫(yī)學干預，為肺癌患者爭取更多的治療從而提高生存率。

1 研究方法

本文方法如下：不平衡數(shù)據(jù)是指數(shù)據(jù)集中某一類別的樣本數(shù)量明顯少于其他類別的樣本數(shù)量[12]，本文數(shù)據(jù)集標簽比例嚴重失衡，標簽為0 的樣本29 條，標簽為1 的樣本280 條，即正負標簽比例大約為1：9，因此引入過采樣技術SMOTE 方法對數(shù)據(jù)做均衡化處理；對本實驗所用到的肺癌數(shù)據(jù)集進行隨機森林重要性排名，根據(jù)排名結果選擇貢獻較大的特征，參與模型計算，實現(xiàn)降低數(shù)據(jù)緯度、提高分類準確率的效果；構建GA-XGBoost 算法模型即：采用遺傳算法優(yōu)化梯度提升樹算法XGBoost，并與其他機器學習方法如支持向量機（SVM），決策樹（DT）、K 最近鄰（KNN）、貝葉斯（NB）以及未調(diào)優(yōu)的XGBoost 進行對比，證明模型的優(yōu)越性。具體流程圖如圖1 所示。

1.1 構建GA-XGBoost 模型

極端梯度提升樹（XGBoost）算法是由陳天奇在2014 年提出，該算法能夠極大地提升模型的訓練速度和預測精度[13]。它的設計是為了正確使用資源，克服以往梯度提升的局限性[14]。本文XGBoost 目標函數(shù)如下：

遺傳算法（GA）是一種求解優(yōu)化問題的工具[15]，主要用于解決搜索和優(yōu)化問題。算法過程如下：

⑴ 初始化：生成一組初始種群，其中每個個體代表一個解。

⑵ 適應度評估：對每個個體進行適應度評估，即計算其對應的目標函數(shù)值。

⑶ 選擇：從種群中選擇一部分個體作為下一代種群的父代。

⑷ 交叉：對父代中的個體進行交叉操作，生成新的子代。

⑸ 變異：對子代中的個體進行變異操作，引入隨機因素，增加種群的多樣性，防止算法陷入局部最優(yōu)解。

⑹ 更新種群：將父代和子代合并，生成新的種群。

⑺ 終止條件判斷：判斷是否達到終止條件，如最大迭代次數(shù)、目標函數(shù)達到某個閾值等。

⑻ 輸出結果：輸出最優(yōu)解或者最優(yōu)解對應的目標函數(shù)值。

本實驗構建GA-XGBoost 肺癌診斷模型如圖2。

2 實驗過程及結果分析

本文基于Anaconda開發(fā)環(huán)境下的jupyter-notebook編輯器。研究選用kaggle 學習庫所公開的的肺癌數(shù)據(jù)集。該數(shù)據(jù)集包含疑似肺癌患者平時生活習慣和生理、行為表現(xiàn)等部分數(shù)據(jù)，一共有309 個樣本，類別為良性腫瘤和肺癌腫瘤，數(shù)據(jù)集包含的14 個特征基于疑似患者的生活記錄，分別是年齡（AGE）性別（SEX）、是否吸煙（SMOKING）、黃色手指（YELLOW）、平時是否有同輩壓力（PRESSURE）、是否焦慮（ANXIETY）、是否有慢性?。–HRONIC DISEASE）、是否感到疲勞、是否哮喘、藥物過敏（ALLERGY）、飲酒（ALCOHOL CONSUMING）、咳嗽（COUGHING）、呼吸急促（SHORTNESS OF BREATH）、吞咽困難、胸痛（CHEST PAIN）、是否肺癌（LUNG_CANCER）。特征中“是”為1，“否”為0；標簽中患肺癌為1，沒有患肺癌為0。實驗以70% 的數(shù)據(jù)集作為訓練集，30% 作為測試集。

2.1 評價指標

在分類指標問題上采用混淆矩陣是最直觀的，混淆矩陣可以詳細的展示分類性能?；煜仃嚾绫?所示。

本文在混淆矩陣基礎上引入準確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）作為算法的判斷指標。其中靈敏度又叫真陽性比例，即實際發(fā)病且被準確診斷的病人所占比例；特異度又稱為真陰性率，是指實際無病并能準確檢測的病歷所占比例：

2.2 數(shù)據(jù)均衡化處理

本文數(shù)據(jù)集標簽比例嚴重失衡，標簽為0 的樣本29 條，標簽為1 的樣本280 條，即正負標簽比例大約為1：9。采用SVM-SMOTE 過采樣技術進行數(shù)據(jù)均衡化處理，原始數(shù)據(jù)和均衡化處理后的數(shù)據(jù)分布如圖3、圖4 所示。

2.3 特征選擇

特征重要性計算結果可以用于特征選擇和可視化，幫助我們理解模型的特征貢獻程度，從而更好地解釋和使用模型。本文通過隨機森林算法得出特征重要性排序，結果如表2 所示。

排在后面四位的是YELLOW_FINGERS，GENDER，ANXIETY，F(xiàn)ATIGUE，由于這四個特征重要性比較低，故予以剔除，保留排名結果選擇排名靠前的10 個特征重新訓練模型。比較SMOTE 均衡化前后、進行特征選擇前后進行XGBoost 訓練，結果如表3 所示。

2.4 GA-XGBoost 實驗結果

和隨機森林算法（Random Forest，RF）超參數(shù)空間類似[16]，XGBoost 超參數(shù)眾多，需要手動設定。本文選取常見的三個超參數(shù)：n_estimators（樹的數(shù)量），max_depth（最大樹深度）、learning rate（學習率）進行遺傳算法優(yōu)化，將評估指標AUC 作為適應度函數(shù)。考慮到適應度函數(shù)上界難以確定，本文選取最大循環(huán)次數(shù)作為算法的終止條件。本文借助可視化工具—學習曲線，確定超參數(shù)的大致范圍，三個超參數(shù)的學習曲線圖分別如圖5、圖6、圖7 所示。

由學習曲線可知，n_estimators 最佳取值在60左右，max_depth 最佳取值為6 左右，learning_rate 最佳范圍為0.2 到0.3 之間。用遺傳算法進行最優(yōu)值搜索：設定n_estimators 范圍為50 到75，步長為1；max_depth范圍為4 到9，步長為1。Learning_rate 范圍設定為0.2-0.3，步長為0.01。遺傳算法結果如表4 所示。

得到XGBoost 最佳參數(shù)后，為了驗證模型的優(yōu)越性，同其他機器學習進行比較。不同算法的比較結果如表5 所示。

進行遺傳算法優(yōu)化的GA-XGBoost 模型，準確率達到0.932，靈敏度達到0.928。特異度達到0.921，準確率和靈敏度最高。雖然SVM 在分類中也表現(xiàn)出了不俗的性能，在特異度上較XGBoost 稍高，但作為強分類器，SVM 復雜度高，耗時長。在講究實效性的臨床醫(yī)療診斷中，基于簡單學習器集成的XGBoost 算法在高分類性能的同時還能實現(xiàn)快速運算，與其他機器學習方法相比，進行遺傳算法優(yōu)化的GA-XGBoost，表現(xiàn)堪稱完美。

3 結束語

對疑似患者進行早期的預測診斷是應對肺癌的有效手段[17]。本文提出的基于GA-XGBoost 算法的預測分類模型在準確率、靈敏度和特異度三項指標上表現(xiàn)優(yōu)異，運行時效上優(yōu)勢明顯。模型的最終目的是在臨床上指導醫(yī)生對患者的肺癌風險進行提前判斷，但本文數(shù)據(jù)集是肺癌患者的日常表現(xiàn)、生活習慣記錄，存在一定的主觀性，未來可以從更多的臨床電子病例出發(fā)，采用客觀、標準化的數(shù)據(jù)。下一步結合大樣本，高緯度的客觀化數(shù)據(jù)，嘗試深度學習的建模，致力于人工智能在人類的癌癥事業(yè)中的更大應用。