基于超声特征集成学习的甲状腺结节分类方法研究

摘要

甲状腺结节是一种比较常见的疾病,并且发病率有逐年上升的趋势.如何及时并准确地鉴别出结节的良恶性,采取相应的治疗措施,是甲状腺结节治疗过程中的核心问题.超声作为甲状腺结节初步诊断的主要检查方式,其特征数据对于鉴别结节良恶性具有指导意义.本文针对甲状腺结节超声特征数据存在稀疏和不平衡的问题,通过在目标函数中加入自定义项对集成学习算法进行改进,提出一种基于改进集成学习的甲状腺结节良恶性鉴别方法.实验在真实医疗数据集和UCI标准数据集上分别对比了本算法与随机森林、支持向量机、神经网络算法,结果表明该方法具有最高的准确率,分别达到92.43％和94％.