Optimización de modelos de aprendizaje automático conjunto para una predicción precisa de la enfermedad hepática en...

Área de la Ciencia:

• La informática médica
• Biología computacional
• Aprendizaje automático

Sus antecedentes:

• La enfermedad hepática, que abarca afecciones como la hepatitis y la cirrosis, a menudo progresa silenciosamente, por lo que la detección temprana es crucial.
• Los factores de riesgo incluyen infecciones, abuso de alcohol, obesidad y predisposición genética.
• El tratamiento eficaz depende de la detección temprana y los cambios en el estilo de vida para prevenir el daño hepático grave.

Objetivo del estudio:

• Evaluar la eficacia de los clasificadores conjuntos de aprendizaje automático para predecir la enfermedad hepática.
• Para comparar el rendimiento de los clasificadores Random Forest, Ada Boost y Gradient Boosting utilizando un conjunto de datos específico.
• Identificar el modelo óptimo de aprendizaje automático para el diagnóstico preciso de la enfermedad hepática.

Principales métodos:

• Se realizó la extracción y selección de características en el conjunto de datos.
• El ajuste de hiperparámetros se realizó utilizando el CV de búsqueda aleatoria y el GridSearchCV.
• Se implementaron y compararon clasificadores conjuntos que incluyen Bosque aleatorio, Ada Boost y Gradient Boosting.

Principales resultados:

• El clasificador aleatorio de bosques, optimizado a través de GridSearchCV, logró la mayor precisión superior al 85,17%.
• Este modelo demostró un rendimiento equilibrado con precisión de 0,85, recuerdo de 0,81 (presencia) y 0,87 (ausencia), y puntuaciones F1 de 0,83 y 0,85.
• Los clasificadores Ada Boost y Gradient Boosting también mostraron un alto rendimiento, aunque no superaron significativamente a Random Forest.

Conclusiones:

• Las técnicas de aprendizaje automático conjunto muestran un potencial significativo para el diagnóstico de enfermedades hepáticas.
• El clasificador aleatorio optimizado puede servir como una herramienta de diagnóstico precisa, mejorando los resultados de los pacientes.
• Se justifica una mayor investigación con conjuntos de datos más grandes e integración de aprendizaje profundo para avanzar en las aplicaciones de ML en el diagnóstico de la atención médica.