相关实验视频
Updated: Jul 13, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
机器学习方法用于检测维生素D水平:一项比较研究
Nuriye Sancar1, Sahar S Tabrizi2
1Department of Mathematics, Near East University, Nicosia, 99138, Turkey. nuriye.sancar@neu.edu.tr.
BMC medical informatics and decision making
|October 16, 2023
概括
这项研究开发了一种机器学习模型,可以在没有血液检测的情况下准确检测维生素D状态,解决多线性. 随机森林 (RF) 展示了卓越的性能和稳定性,为维生素D评估提供了具有成本效益的解决方案.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的机器学习
- 营养科学 营养科学
背景情况:
- 维生素D在健康中的关键作用,由COVID-19大流行放大.
- 25-基维生素D (25-OH-D) 血液检测的局限性,包括可行性问题.
- 卫生数据集的多线性挑战,可能导致不准确的机器学习模型.
研究的目的:
- 开发一种临床上可接受的机器学习模型,用于检测北塞浦路斯成年人的维生素D状况.
- 为了准确评估维生素D水平而不需要25-OH-D血液测试.
- 为了减轻多对线性对机器学习模型性能的影响.
主要方法:
- 对四种监督机器学习模型进行比较分析:顺序逻辑回归 (OLR),弹性网顺序回归 (ENOR),支持矢量机 (SVM) 和随机森林 (RF).
- 基于对代谢综合征状态的敏感性,超参数调整和训练数据大小的模型评估.
- 评估分类性能指标,包括准确性,特异性,敏感性,精度,F1分数和科恩的kappa.
主要成果:
- 支持矢量机 (SVM) 的性能受到多对线性的负面影响.
- 随机森林 (RF) 对训练数据大小和多对线性变化表现出更大的稳定性.
- 射频和ENOR模型的表现优于OLR和SVM,特别是在样本大小缩小的情况下,这表明它们对多对线性有弹性.
结论:
- 与其他模型相比,随机森林 (RF) 显示出更高的精度 (0.94),特异性 (0.96),灵敏度 (0.94),精度 (0.95),F1得分 (0.95) 和科恩的卡帕 (0.90).
- 这些发现支持开发使用RF的智能维生素D检测系统.
- 这种系统可以减少与传统维生素D水平检测方法相关的成本和时间.
