Page 166 - 中医针灸与人工智能

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

3.随机森林（Random Forests，RF）算法
RF算法是一种集成学习方法，通过自助法重采样技术，从原始训练样本集N

中有放回地重复随机抽取n个样本生成新的训练样本集合训练决策树，然后按以
上步骤生成m棵决策树组成随机森林，新数据的分类结果按分类树投票多少形成
的分数而定。RF算法具有训练速度快、适应不平衡数据集、适应多分类问题、
泛化能力强等特性，适合进行肠道菌群数据分析。例如在处理16SrRNA基因等肠

道菌群数据时，由于其天然可用来对分类问题中变量的重要性进行排序，使之能
够在不做特征选择的情况下快速地进行模型训练，而且在处理肠道菌群数据不均
衡的问题时可自动平衡样本误差。目前，RF算法已广泛应用于构建疾病预测模
型，例如Ai等利用RF构建结直肠癌预测模型；Pasolli等利用RF构建2型糖尿病、

肝硬化等疾病的预测模型。
4.人工神经网络（Annual Neural Network，ANN）算法
ANN是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结
构和功能的计算模型，其具有自学习、自组织、自适应能力，主要包括多层感
知机（Multiple Layer Perception，MLP）、卷积神经网络（Convolution Neural

Network，CNN）、循环神经网络（Recursive Neural Network，RNN）、深度置
信网络（Deep Belief Network，DBN）等。ANN算法具备极强的从大量复杂数据

中进行特征提取和特征表示的能力，通过构建人工神经网络对肠道菌群数据进行
深度学习，能够挖掘出其中潜藏的深层次抽象性特征，从而构建分析性能更佳、
泛化能力更强的数据模型。然而在肠道菌群数据分析中，使用ANN训练预测模
型时，对数据量的要求将极大地提高，训练过程的控制（参数设置、迭代次数
等）也将更加复杂，训练结果也会具有更大的未知性和不可解释性。因此，采用
ANN方法进行建模，在具有明显优势的同时也带来诸多挑战。在以往使用ANN

进行建模的研究中，Reiman等尝试使用多层感知机、深度置信网络、卷积神经
网络、递归神经网络分别构建了肝硬化疾病预测模型，并取得了较其他传统机器

学习算法更好的多分类精度。
二、发展方向

中医药富含了丰富的信息资源，现代期刊关于中医药的报道数量庞大，信息

极其繁多，而对这些数据缺乏合理的规范、整理、分析运用。因此需要借鉴现代
的科学技术，有效地提高资源利用率，从海量的数据中挖掘潜藏的信息，得到临

158