文献类型：期刊文章

作　　者：李军[1] 胡晓娟[2] 周昌乐[3] 许家佗[1]

LI Jun;HU Xiao-juan;ZHOU Chang-le;XU Jia-tuo(Department of Basic Medical College,Shanghai University of Traditional Chinese Medicine,Shanghai 201203,China;Shanghai Collaborative Innovation Center of Health Service in Traditional Chinese Medicine,Shanghai University ofTraditional Chinese Medicine,Shanghai 201203,China;Department of Intelligent Science andTechnology,Xiamen University,Xiamen 361005,China)

机构地区：[1]上海中医药大学基础医学院,上海201203 [2]上海中医药大学上海中医健康服务协同创新中心,上海201203 [3]厦门大学智能科学与技术系,厦门361005

出　　处：《中华中医药杂志》

基　　金：科技部“十三五”国家重点研发计划中医药现代化研究重点专项(No.2017YFC1703301);国家自然科学基金项目(No.81873235,No.81973750,No.81904094);1226工程科技重点项目(No.BWS17J028)。

年　　份：2022

卷　　号：37

期　　号：3

起止页码：1639-1643

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的:基于随机森林算法联合舌象特征建立一个糖尿病诊断模型并对舌象特征重要性进行进一步分析。方法:使用TFDA-1型舌诊仪采集舌象,使用舌诊分析系统处理舌象图像获得舌象特征,结合基本信息和实验室检查等信息,使用随机森林算法对特征重要性进行分析并建立糖尿病诊断模型。结果:糖尿病组与健康组比较,舌象纹理特征中,Per-all、Per-part、TB-CON、TB-ASM、TB-MEAN、TC-CON、TC-ENT、TC-ASM、TC-MEAN差异有统计学意义(P<0.05,P<0.01);舌象颜色特征中,TB-Cr、TC-Cr、TC-a差异有统计学意义(P<0.05,P<0.01)。根据随机森林特征基尼系数,模型2与模型3前15位共有的舌象特征为TC-CON、TC-ASM、Per-part。模型1、模型2、模型3的准确率分别为0.70、0.68、0.74;灵敏度分别为0.70、0.69、0.78;特异度分别为0.71、0.68、0.71。结论:舌象的颜色和纹理特征在建立糖尿病诊断模型中具有一定作用,加入舌象特征可以提升糖尿病诊断模型的性能。

关 键 词：舌诊 舌象 2型糖尿病 诊断模型  机器学习  随机森林  

分 类 号：R259[中西医结合类]