一种可解释的机器学习疾病辅助分类方法

本发明涉及一种可解释的机器学习疾病辅助分类方法，方法包括以下步骤：S1、收集病例训练数据，从病例训练数据中提取初始特征；S2、从初始特征中筛选临床特征；S3、从病例训练数据中获取临床最终诊断作为标签数据；S4、获取内镜训练图像，将同一病变特征维度的多个概率取最大值作为病变特征的单一标量；S5、将临床特征和病变特征拼接得到N维特征向量，输入分类器进行训练和验证，得到辅助分类模型；S6、获取实际内镜图像和实际病例数据，输入辅助分类模型得到辅助分类结果和对应的贡献最大的特征。与现有技术相比，本发明具有提高病症分类的准确性等优点。