Page 164 - 中医针灸与人工智能

中医针灸与人工智能
Chinese Acupuncture and Artificial Intelligence

器学习方法开始正式用于进行微生物菌群分析。2016年，Pasolli等提出基于肠道

菌群数据使用机器学习构建疾病预测模型，这是肠道菌群机器分析发展过程中的
一次重要尝试。事实证明，将机器学习用于预测模型的构建具有广阔前景。2018
年，Asgari等提出使用浅层k-mer代替OTU进行预测模型的构建，并首次提出使
用深度学习来构建克罗恩病预测模型。2019年，Oh等提出的DeepMicro方法，利

用深度学习提取数据特征，再利用机器学习进行预测建模，实现了机器学习与
深度学习结合运用于肠道菌群分析。Lo等提出的MetaNN方法，基于肠道菌群数
据，分别利用CNN和MLP构建预测模型，实现了对表型、身体部位以及疾病的

准确预测。
机器学习是一类能通过经验自动改进的计算机算法，其在解决聚类、分类、
回归等问题中表现出独有的优势。随着近几年机器学习算法的不断优化，其在上
述菌群数据分析与建模中发挥出独特优势，主要体现在菌群聚类分析、菌群识别

分类和宿主表型预测等方面。相较而言，利用机器学习构建疾病预测模型是一项
更加复杂且更具挑战性的工作，经过众多科研人员的努力，近年来在该领域产生
了许多令人欣喜的科研成果。

在构建疾病预测模型中，机器学习主要用作核心建模算法，其中包括基于
支持向量机（Support Vector Machine，SVM）建模、基于随机森林（Random
Forest，RF）建模、基于人工神经网络（Artificial Neural Network，ANN）建模

等。如Ai等利用RF构建了结直肠癌预测模型；Pasolli等利用RF构建了2型糖尿病
预测模型；Reiman等使用ANN构建了肝硬化疾病预测模型；Wu等使用KNN构建
了2型糖尿病预测模型等。这些不同种类的疾病预测模型构建都是基于机器学习

算法的自我学习能力与特定疾病数据集的结合，因此在特定数据集上具有很好的
性能表现，但其普遍存在的问题是模型的泛化能力不足。
此外，部分科研人员也将机器学习作为数据处理模块用于疾病预测建
模，主要包括数据降维（Data Dimension Reduction）、数据特征提取（Data

Feature Detection）、主成分分析（Principal Component Analysis，PCA）等。如
Montassier等使用机器学习方法获取数据潜在特征，再结合统计学信息计算出患
血液感染（Blood Stream Infection，BSI）疾病的风险指数，以及Oh等通过深度

学习处理宏基因组数据实现数据降维等。这些数据处理方法去除了冗余数据且能
够在一定程度上提升算法的预测性能，但同时也增加了疾病预测模型的复杂程

156