基于迁移成分分析和支持向量机的肝移植并发症预测方法

doi:10.11772/j.issn.1001-9081.2021060886

《计算机应用》唯一官方网站 ›› 2021, Vol. 41 ›› Issue (12): 3608-3613.DOI: 10.11772/j.issn.1001-9081.2021060886

所属专题：第十八届中国机器学习会议(CCML 2021)

• 第十八届中国机器学习会议(CCML 2021) • 上一篇下一篇

基于迁移成分分析和支持向量机的肝移植并发症预测方法

曹鸿亮¹^,², 张莹¹^,²(), 武斌¹, 李繁菀¹, 那绪博¹

^1.华北电力大学控制与计算机工程学院，北京 102206
^2.交通数据分析与挖掘北京市重点实验室（北京交通大学），北京 100044

收稿日期:2021-05-12 修回日期:2021-06-14 接受日期:2021-06-23 发布日期:2021-12-28 出版日期:2021-12-10
通讯作者: 张莹
作者简介:曹鸿亮（2000—），男，江苏淮安人，主要研究方向：机器学习、人工智能
武斌（1996—），男，河北邯郸人，硕士研究生，主要研究方向：深度学习、时空大数据
李繁菀（1998—），女，湖南株洲人，硕士研究生，主要研究方向：强化学习、路径规划
那绪博（1994—），男，辽宁沈阳人，硕士研究生，主要研究方向：城市计算、时空大数据。
基金资助:
国家自然基金面上项目(52078212)

Prediction method of liver transplantation complications based on transfer component analysis and support vector machine

Hongliang CAO¹^,², Ying ZHANG¹^,²(), Bin WU¹, Fanyu LI¹, Xubo NA¹

^1.School of Control and Computer Engineering，North China Electric Power University，Beijing 102206，China
^2.Beijing Key Laboratory of Traf?c Data Analysis and Mining （Beijing Jiaotong University），Beijing 100044，China

Received:2021-05-12 Revised:2021-06-14 Accepted:2021-06-23 Online:2021-12-28 Published:2021-12-10
Contact: Ying ZHANG
About author:CAO Hongliang， born in 2000. His research interests include machine learning， artificial intelligence.
WU Bin， born in 1996， M. S. candidate. His research interests include deep learning， spatio-temporal big data.
LI Fanyu， born in 1998， M. S. candidate. Her research interests include reinforcement learning， path planning.
NA Xubo， born in 1994， M. S. candidate. His research interests include urban computing， spatio-temporal big data.
Supported by:
the Surface Program of National Natural Science Foundation of China(52078212)

摘要/Abstract

摘要：

已有很多机器学习算法能够很好地应对预测分类问题，但这些方法在用于小样本、大特征空间的医疗数据集时存在着预测准确率和F1值不高的问题。为改善肝移植并发症预测的准确率和F1值，提出一种基于迁移成分分析（TCA）和支持向量机（SVM）的肝移植并发症预测分类方法。该方法采用TCA进行特征空间的映射和降维，将源领域和目标领域映射到同一再生核希尔伯特空间，从而实现边缘分布自适应；迁移完成之后在源领域上训练SVM，训练完成后在目标领域上实现并发症的预测分析。在肝移植并发症预测实验中，针对并发症Ⅰ、并发症Ⅱ、并发症Ⅲa、并发症Ⅲb、并发症Ⅳ进行预测，与传统机器学习和渐进式对齐异构域适应（HDA）相比，所提方法的准确率提升了7.8%~42.8%，F1值达到85.0%~99.0%，而传统机器学习和HDA由于正负样本不均衡出现了精确率很高而召回率很低的情况。实验结果表明TCA结合SVM能够有效提高肝移植并发症预测的准确率和F1值。

关键词: 迁移学习, 迁移成分分析, 支持向量机, 肝移植, 并发症预测

Abstract:

Many machine learning algorithms can cope well with prediction and classification， but these methods suffer from poor prediction accuracy and F1 score when they are used on medical datasets with small samples and large feature spaces. To improve the accuracy and F1 score of liver transplantation complication prediction， a prediction and classification method of liver transplantation complications based on Transfer Component Analysis （TCA） and Support Vector Machine （SVM） was proposed. In this method， TCA was used for mapping and dimension reduction of the feature space， and the source domain and the target domain were mapped to the same reproducing kernel Hilbert space， thereby achieving the adaptivity of edge distribution. The SVM was trained in the source domain after transferring， and the complications were predicted in the target domain after training. In the liver transplantation complication prediction experiments for complication Ⅰ， complication Ⅱ， complication Ⅲa， complication Ⅲb， and complication Ⅳ， compared with the traditional machine learning and Heterogeneous Domain Adaptation （HDA）， the accuracy of the proposed method was improved by 7.8% to 42.8%， and the F1 score reached 85.0% to 99.0%， while the traditional machine learning and HDA had high accuracy but low recall due to the imbalance of positive and negative samples. Experimental results show that TCA combined with SVM can effectively improve the accuracy and F1 score of liver transplantation complication prediction.

Key words: transfer learning, Transfer Component Analysis (TCA), Support Vector Machine (SVM), liver transplantation, prediction of complications

中图分类号:

TP18

曹鸿亮, 张莹, 武斌, 李繁菀, 那绪博. 基于迁移成分分析和支持向量机的肝移植并发症预测方法[J]. 计算机应用, 2021, 41(12): 3608-3613.

Hongliang CAO, Ying ZHANG, Bin WU, Fanyu LI, Xubo NA. Prediction method of liver transplantation complications based on transfer component analysis and support vector machine[J]. Journal of Computer Applications, 2021, 41(12): 3608-3613.

图/表 13

表1 公式符号说明

Tab. 1 Formula symbol description

符号	说明	符号	说明
$X s ∈ R d s × n s$	源领域原始数据	$X ∈ R m × n$	$X s, X t$
$X t ∈ R d t × n t$	目标领域原始数据	$B ∈ R m × k$	共享字典编码
$M ∈ R n × n$	MMD矩阵	$S ∈ R k × n$	$S s, S t$

表1 公式符号说明

Tab. 1 Formula symbol description

符号	说明	符号	说明
$X s ∈ R d s × n s$	源领域原始数据	$X ∈ R m × n$	$X s, X t$
$X t ∈ R d t × n t$	目标领域原始数据	$B ∈ R m × k$	共享字典编码
$M ∈ R n × n$	MMD矩阵	$S ∈ R k × n$	$S s, S t$

图1 TCA结合SVM方法流程

Fig. 1 Flowchart of TCA combined with SVM

图2 HDA结合SVM方法流程

Fig. 2 Flowchart of HDA combined with SVM

表2 实验数据集基本情况

Tab. 2 Basic situation of experimental dataset

数据集	样本数	正例数
术后并发症I	425	301
术后并发症Ⅱ	425	99
术后并发症Ⅲa	425	42
术后并发症Ⅲb	425	33
术后并发症Ⅳ	425	283
V级（死亡）	425	40

表3 实验数据集中的肝移植特征

Tab. 3 Liver transplantation features in experimental dataset

术前特征	特征数	术中特征	特征数	术后特征	特征数
血常规	10	术中情况	46	输血情况	34
生化	10	血气	110	出院前后转归	4
血气	11			血常规	90
凝血	7			生化	90
				血气	44
				凝血	63

图3 传统机器学习在PCA、TCA、HDA上的准确率对比

Fig. 3 Comparison of accuracy of traditional machine learning on PCA， TCA， HDA

表4 SVM在PCA、TCA、HDA上的F1值结果

Tab. 4 F1 scores of SVM on PCA， TCA， HDA

方法

术后

并发症I

术后

并发症Ⅱ

术后并发症Ⅲa

术后并发症Ⅲb

术后

并发症Ⅳ

表5 XGBoost在PCA、TCA、HDA上的F1值

Tab. 5 F1 scores of XGBoost on PCA， TCA， HDA

方法

术后

并发症I

术后

并发症Ⅱ

术后

并发症Ⅲa

术后

并发症Ⅲb

术后

并发症Ⅳ

表6 KNN在PCA、TCA、HDA上的F1值

Tab. 6 F1 scores of KNN on PCA， TCA， HDA

方法

术后

并发症I

术后

并发症Ⅱ

术后

并发症Ⅲa

术后

并发症Ⅲb

术后

并发症Ⅳ

图4 SVM、KNN、XGBoost的准确率对比

Fig. 4 Comparison of accuracy of SVM， KNN， XGBoost

表7 SVM、XGBoost、KNN在PCA上的F1值

Tab. 7 F1 scores of SVM， XGBoost， KNN on PCA

方法

术后

并发症I

术后

并发症Ⅱ

术后

并发症Ⅲa

术后

并发症Ⅲb

术后

并发症Ⅳ

表8 SVM、XGBoost、KNN在TCA上的F1值

Tab. 8 F1 scores of SVM， XGBoost， KNN on TCA

方法

术后

并发症I

术后

并发症Ⅱ

术后

并发症Ⅲa

术后

并发症Ⅲb

术后

并发症Ⅳ

表9 SVM、XGBoost、KNN在HDA上的F1值

Tab. 9 F1 scores of SVM， XGBoost， KNN on HDA

方法

术后

并发症I

术后

并发症Ⅱ

术后

并发症Ⅲa

术后

并发症Ⅲb

术后

并发症Ⅳ

参考文献 18

1	PRODANOVA K， UZUNOVA Y. Prediction of graft dysfunction in pediatric liver transplantation by logistic regression［C］// Proceedings of the 2020 International Conference on Mathematics and Computers in Science and Engineering. Piscataway： IEEE， 2020：260-263. 10.1109/macise49704.2020.00054
2	余忠山，江艺，蔡秋程，等. 肝移植后的并发症［J］. 中国组织工程研究， 2013， 17（18）：3275-3282. 10.3969/j.issn.2095-4344.2013.18.007
	YU Z S， JIANG Y， CAI Q C， et al. Complications after liver transplantation［J］. Chinese Journal of Tissue Engineering Research， 2013， 17（18）：3275-3282. 10.3969/j.issn.2095-4344.2013.18.007
3	陈规划，何晓顺，叶小鸣，等. 临床原位肝移植术后并发症分析［J］. 肝胆外科杂志， 1995（3）：157-159. 10.3321/j.issn:0529-5815.2008.12.009
	CHEN G H， HE X S， YE X M， et al. Analysis of complications after clinical orthotopic liver transplantation［J］. Journal of Hepatobiliary Surgery， 1995（3）：157-159. 10.3321/j.issn:0529-5815.2008.12.009
4	《中国组织工程研究与临床康复》杂志社学术部. 中国肝移植的历史记录［J］. 中国组织工程研究与临床康复， 2011， 15（18）：3365-3366. 10.1142/9789814374415_0001
	Academic department of magazine Chinese Journal of Tissue Engineering Research. History records of liver transplantation in China［J］. Chinese Journal of Tissue Engineering Research， 2011， 15（18）：3365-3366. 10.1142/9789814374415_0001
5	LIU C L， SOONG R S， LEE W C， et al. Predicting shortterm survival after liver transplantation using machine learning［J］. Scientific Reports， 2020， 10： No.5654. 10.1038/s41598-020-62387-z
6	KANTIDAKIS G， PUTTER H， LANCIA C， et al. Survival prediction models since liver transplantation - comparisons between cox models and machine learning techniques［J］. BMC Medical Research Methodology， 2020， 20： No.277. 10.1186/s12874-020-01153-1
7	史斌，王建立. 人工智能对肝癌患者预后预测的研究进展［J］. 解放军医学院学报， 2020， 41（9）：922-925， 953. 10.3969/j.issn.2095-5227.2020.09.017
	SHI B， WANG J L. Research advances in artificial intelligence in predicting prognosis of patients with hepatocellular carcinoma［J］. Academic Journal of Chinese PLA Medical School， 2020， 41（9）：922-925， 953. 10.3969/j.issn.2095-5227.2020.09.017
8	胡满满，陈旭，孙毓忠，等. 基于动态采样和迁移学习的疾病预测模型［J］. 计算机学报， 2019， 42（10）：23392354. 10.11897/SP.J.1016.2019.02339
	HU M M， CHEN X， SUN Y Z， et al. A disease prediction model based on dynamic sampling and transfer learning［J］. Chinese Journal of Computers， 2019， 42（10）：2339-2354. 10.11897/SP.J.1016.2019.02339
9	臧绍飞. 基于特征迁移与模型迁移的分类器设计［D］. 徐州：中国矿业大学， 2017：133.
	ZANG S F. Classifier design based on feature transfer and model transfer［D］. Xuzhou： China University of Mining and Technology， 2017：133.
10	PAN S J， YANG Q. A survey on transfer learning［J］. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）：1345-1359. 10.1109/tkde.2009.191
11	于重重，田蕊，谭励，等. 非平衡样本分类的集成迁移学习算法［J］. 电子学报， 2012， 40（7）：1358-1363. 10.3969/j.issn.0372-2112.2012.07.012
	YU C C， TIAN R， TAN L， et al. Integrated transfer learning algorithmic for unbalanced samples classification［J］. Acta Electronica Sinica， 2012， 40（7）：1358-1363. 10.3969/j.issn.0372-2112.2012.07.012
12	PAN S J， TSANG I W， KWOK J T， et al. Domain adaptation via transfer component analysis［J］. IEEE Transactions on Neural Networks， 2011， 22（2）：199-210. 10.1109/tnn.2010.2091281
13	PAN J H， HU X G， LI P P， et al. Domain adaptation via multi-layer transfer learning［J］. Neurocomputing， 2016， 190：10-24. 10.1016/j.neucom.2015.12.097
14	龙明盛. 迁移学习问题与方法研究［D］. 北京：清华大学， 2014：134.
	LONG M S. Transfer learning： problems and methods［D］. Beijing： Tsinghua University， 2014：134.
15	LONG M S， WANG J M， DING G G， et al. Transfer feature learning with joint distribution adaptation［C］// Proceedings of the 2013 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2013：2200-2207. 10.1109/iccv.2013.274
16	LI J J， LU K， HUANG Z， et al. Heterogeneous domain adaptation through progressive alignment［J］. IEEE Transactions on Neural Networks and Learning Systems， 2019， 30（5）：1381-1391. 10.1109/tnnls.2018.2868854
17	HEARST M A， DUMAIS S T， OSUNA E， et al. Support vector machines［J］. IEEE Intelligent Systems and Their Applications， 1998， 13（4）：18-28. 10.1109/5254.708428
18	奉国和. SVM分类核函数及参数选择比较［J］. 计算机工程与应用， 2011， 47（3）：123-124， 128. 10.3778/j.issn.1002-8331.2011.03.037
	FENG G H. Parameter optimizing for Support Vector Machines classification［J］. Computer Engineering and Applications， 2011， 47（3）：123-124， 128. 10.3778/j.issn.1002-8331.2011.03.037

[1]	翟飞宇, 马汉达. 基于DenseNet的经典-量子混合分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1905-1910.
[2]	孙敏, 成倩, 丁希宁. 基于CBAM-CGRU-SVM的Android恶意软件检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1539-1545.
[3]	李鸿天, 史鑫昊, 潘卫国, 徐成, 徐冰心, 袁家政. 融合多尺度和注意力机制的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1437-1444.
[4]	时旺军, 王晶, 宁晓军, 林友芳. 小样本场景下的元迁移学习睡眠分期模型[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1445-1451.
[5]	王昊冉, 于丹, 杨玉丽, 马垚, 陈永乐. 面向工控系统未知攻击的域迁移入侵检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1158-1165.
[6]	乔恩保, 高向阳, 程俊. 基于支持向量机的自恢复自适应蒙特卡洛定位算法[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3246-3251.
[7]	刘秋杰, 万源, 吴杰. 深度双模态源域对称迁移学习的跨模态检索[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 24-31.
[8]	陈克正, 郭晓然, 钟勇, 李振平. 基于负训练和迁移学习的关系抽取方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2426-2430.
[9]	金泽熙, 李磊, 刘继. 基于改进领域分离网络的迁移学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2382-2389.
[10]	黄学雨, 贺怀宇, 林慧敏, 陈金水. 基于特征聚合的铜合金金相图分类识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2593-2601.
[11]	轩勃娜, 李进, 宋亚飞, 马泽煊. 基于改进MobileNetV2的恶意代码分类方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2217-2225.
[12]	张慧斌, 冯丽萍, 郝耀军, 王一宁. 基于注意力机制和迁移学习的古壁画朝代识别[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1826-1832.
[13]	温祥西, 彭娅婷, 毕可心, 衡宇铭, 吴明功. 基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3632-3640.
[14]	李传彪, 毕远伟. 基于跨域自适应的立体匹配算法[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3230-3235.
[15]	杨瑞杰, 郑贵林. 基于InceptionV3和特征融合的人脸活体检测[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2037-2042.

基于迁移成分分析和支持向量机的肝移植并发症预测方法

Prediction method of liver transplantation complications based on transfer component analysis and support vector machine

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 18

相关文章 15

编辑推荐

Metrics