使用基于智能算法的最佳组合来进行特征选择和分类的临床信息来估计非酒精性脂肪肝炎 (NASH) 疾病
Hamed Zamanian1, Ahmad Shalbaf1
1Department of Biomedical Engineering and Medical Physics, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
概括
早期诊断非酒精性脂肪肝炎 (NASH) 是至关重要的. 机器学习,特别是最小冗余性最大相关性 (MRMR) 功能选择和随机森林 (RF) 分类器,使用临床和血液数据准确识别NASH.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 非酒精性型肝炎 (NASH) 诊断对于患者的治疗结果和降低成本至关重要.
- 目前的诊断方法可能是侵入性的和昂贵的.
- 先进的机器学习为非侵入性NASH检测提供了潜力.
研究的目的:
- 确定机器学习算法的最佳组合,用于非酒精性型肝炎 (NASH) 疾病分类.
- 用临床和血液数据评估不同的特征选择和分类方法.
- 开发一种智能算法,用于准确高效的NASH诊断.
主要方法:
- 利用了176名患者的临床和血液数据,提取了19个特征.
- 应用的特征选择算法:特征提前选择 (FFS),最小冗余性最大相关性 (MRMR) 和相互信息 (MI).
- 评估了九个分类器:随机森林 (RF),物流回归 (LR),线性差异分析 (LDA),AdaBoost,K-最近邻居 (KNN),多层感知器 (MLP),支持向量机 (SVM) 和决策树 (DT).
主要成果:
- 最低冗余最大相关性 (MRMR) 算法确定了关键特征,包括BMI,GPT,TC,HDL,Ezetimibe,Lp(a),Loge(Lp(a),TG,肌,HbA1c,纤维素和性别.
- 随机森林 (RF) 分类器与MRMR选择的特征相结合,证明了卓越的性能.
- 实现了高精度,AUC,精度和回忆指数,表明了在减少计算力度的情况下强大的诊断能力.
结论:
- 拟议的智能算法结合了MRMR特征选择和射频分类,为自动化NASH诊断提供了有效的方法.
- 这种方法为初始NASH评估提供了一个非侵入性的替代方案,提高了诊断清晰度.
- 这些发现支持将机器学习纳入临床实践,以更早地检测和管理NASH.
