基于CatBoost特征选择和Stacking集成学习的磨玻璃肺结节识别

苗军¹，常艺茹¹，陈辰²，张茂炫¹，刘艳³，齐洪钢³，郭志军⁴，徐倩⁵

（1. 北京信息科技大学 计算机学院，北京 100101；2. 济南超级计算技术研究院 病理信息工程技术中心，济南 250100；3. 中国科学院大学 计算机科学与技术学院，北京 100101；4. 天津康汇医院 放射科，天津 300385；5. 华北石油管理局总医院 放射科，河北任丘 062550） 

摘要：针对当前磨玻璃肺结节特征维数高、冗余数据多、单一分类器识别准确率较低的问题，提出了一种基于CatBoost特征选择和Stacking集成学习的磨玻璃肺结节识别方法。该方法首先使用特征选择算法进行重要特征筛选，去除作用较少的特征，达到数据降维的效果；其次，将随机森林、决策树、KNN分类、LightGBM作为基分类器，支持向量机作为元分类器进行集成学习模型的融合和搭建，在保持基分类器多样性的同时提升分类模型的准确率。实验结果显示，所提方法的识别准确率达到94.375%。与单分类器中性能最好的随机森林算法相比，该方法的准确率提高了1.875%。与磨玻璃肺结节识别领域最近的深度学习方法ResNet + GBM + Attention和MVCSNet相比，准确率也获得了提升或者性能可比。实验表明，所提出的模型能够对肺结节进行有效的特征选择和分类识别。

关键词：磨玻璃肺结节, 特征选择, 集成学习

扫描二维码全文浏览

Cite this article

Miao, J., Chang, Y., Chen, C. et al. Ground-Glass Lung Nodules Recognition Based on CatBoost Feature Selection and Stacking Ensemble Learning. J. Shanghai Jiaotong Univ. (Sci.) 30, 790–799 (2025). https://doi.org/10.1007/s12204-024-2761-9