朴素贝叶斯及其在乳腺肿瘤诊断中的性能研究

赵闻平 陈旭 赵倩

【摘  要】目的：阐释朴素贝叶斯在乳腺肿瘤诊断中的应用原理，同时分析其诊断性能的变化特征;方法：把已经确诊的500个乳腺肿瘤病例分为训练样本集合与检验样本，其中前400个样本作为训练样本集合，后100个样本作为测试样本。实验过程中，随机从400个训练样本集合中选择一定数量的子集作为一次实验过程中的训练样本以用于训练朴素贝叶斯诊断模型，然后用100个测试样本来检验模型的诊断性能。结果：朴素贝叶斯诊断模型诊断正确率p与训练样本数量N之间满足指数函数p=-0.7515*N-0.4936+1.034（判定系数R2=0.7791）的关系;模型的诊断性正确率与训练样本数量之间是正相关关系;当训练样本数量达到一定数量之后，朴素贝叶斯诊断模型的诊断性能趋于稳定，诊断正确率的均值为98.45%、标准差为0.88%。结论：基于朴素贝叶斯的诊断模型作为辅助医生进行乳腺肿瘤诊断的工具具有很好的推广应用潜力。

【关键词】朴素贝叶斯;乳腺肿瘤;机器学习;医学诊断模型

【中图分类号】R18      【文献标识码】A      【文章编号】1672-3783（2019）12-0019-02

乳腺肿瘤是女性健康的重要危害因子之一[1]，早诊断、早发现是当前医疗水平下唯一能降低乳腺肿瘤致死率的唯一方法。机器学习是研究如何让计算机程序来模仿人类学习与决策的一种新兴交叉学科[2]， 通过机器学习的方式对癌症进行研究，可以通过对现有的癌症病例样本进行学习，使计算机具有一定的决策能力后对未知的癌症病例进行智能判断和评估，可以作出比医生更为准确的智能决策的同时，还能降低因人为因素而造成的误诊、漏诊[3-6]，对乳腺肿瘤死亡率的降低有着极其重要的现实意义[6]。……