基于机器学习的2型糖尿病患者视网膜病变风险预测模型研究

摘要

目的 分析比较逻辑回归(LR)、线性判别分析(LDA)、决策树(DT)、随机森林(RF)、CatBoost和LightGBM 6种机器学习模型对2型糖尿病患者视网膜病变风险的预测效能。方法 利用国家人口健康科学数据中心的糖尿病并发症预警数据集，基于不同算法构建2型糖尿病患者视网膜病变风险预测模型，清洗数据后按照7∶3划分训练集和测试集，采用十折交叉验证法对6种模型的预测性能(准确度、召回率、精确度、F1-Score、AUC)进行比较。结果 在测试集上使用6种模型对2型糖尿病患者视网膜病变进行风险预测，LightGBM的准确度(0.773 8)、召回率(0.825 1)、精确度(0.762 0)、F1-Score(0.792 3)和AUC(0.843 4)均最高，CatBoost的准确度(0.744 1)、召回率(0.787 8)、精确度(0.729 1)、F1-Score(0.757 3)和AUC(0.828 0)均次之。结论 对于2型糖尿病患者视网膜病变风险预测，LightGBM在6种模型中综合表现最好，此外集成学习分类器(LightGBM、CatBoost、RF)的预测效能优于弱学习分类器(DT、LR、LDA),可为2型糖尿病患者视网膜并发症的临床辅助诊断及发病风险预测提供便捷可靠参考。

关键词

糖尿病视网膜病变 / 机器学习 / 疾病预测 / 比较研究

基金资助

国家自然科学基金(82073663)