基于类别不均衡的类风湿性关节炎疾病活动度预测模型

罗晓烽¹，杨晶东¹，翁雯浩¹，玉冰冰²，宋梦歌²，彭秋伟²，韩曼²，姜泉²

（1. 上海理工大学 光电信息与计算机工程学院，上海 200093；2. 中国中医科学院广安门医院 风湿病科，北京 100053） 

摘要：机器学习算法应用于临床疾病诊断，有效提高了临床诊断预测精度和效率，但许多临床样本存在严重类别不均衡问题，使预测偏向多数类，传统采样方法常常改变原始样本分布，影响模型预测精度和泛化性能。本文提出一种级联比例均衡集成学习模型用于预测类风湿性关节炎疾病的活动度，包括对称三部分结构，每部分均由基础分类器和采样模型组成级联结构。通过级联比例采样，按比例随机删除多数类样本、复制少数类样本，逐步使基础分类器训练样本的比例均衡，再反向变化各类别样本数量，最终实现级联结构的整体样本均衡。并采用非对称beta分布函数拟合基分类器权重变化，通过两个变量控制曲线形状，动态调整各基模型的权重分布，确保加权集成模型的对称性和有效性。采用贝叶斯优化算法动态搜索分类模型最优超参数，进一步增强模型预测精度和泛化性能。针对中国中医科学院广安门医院10514例类风湿关节炎样本进行5折交叉验证，评估指标GMarea = 0.60、Precision = 0.78、AUC = 0.83，与各种典型模型相比，本文模型具有更好的预测精度和泛化性能。

关键词：类风湿关节炎，疾病活动度，级联比例采样，类别不均衡，集成学习

扫描二维码全文浏览

Cite this article

Luo, X., Yang, J., Weng, W. et al. Prediction of Disease Activity in Rheumatoid Arthritis Based on Class Imbalance. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2840-6