机器学习方法的比较,用于早期识别血管类,肌类和凝聚烯酸类的血管类,肌类和凝聚类
Rasmus Ryyppö1, Sergei Häyrynen2, Henry Joutsijoki3
1Faculty of Information Technology and Communication Sciences, Tampere University, Kanslerinrinne 1, Tampere 33014, Finland; Tietoevry Ltd, Espoo, Finland.
Computer methods and programs in biomedicine
|November 10, 2023
概括
像XGBoost和InceptionVasGloMyotides这样的机器学习模型可以在诊断前30天预测罕见疾病. 这些模型通过更早地识别有风险的患者来改善诊断时间表.
科学领域:
- 医疗信息学医学信息学
- 医疗保健中的人工智能
- 罕见疾病研究研究.
背景情况:
- 罕见疾病的诊断往往延迟,涉及多次咨询和潜在的错误诊断.
- 机器学习 (ML) 通过识别可能需要更密切的医疗检查的患者提供了一个潜在的解决方案.
研究的目的:
- 评估ML模型在正式诊断之前预测罕见疾病的有效性.
- 使用各种数据掩盖策略来比较不同ML方法的性能.
主要方法:
- 测试了ML模型 (XGBoost,InceptionVasGloMyotides),在诊断前有不同的数据掩盖期.
- 使用诸如正预测值 (PPV),负预测值 (NPV),准确性 (ACC) 和曲线下的面积 (AUC) 等指标评估模型性能.
主要成果:
- 在所有掩盖设置中,XGBoost的PPV超过了90%.
- 这两种模型都显示出高精度 (89-98%的XGBoost,79-94%的InceptionVasGloMyotides) 和AUC (69.9-96.4%的XGBoost,72.6-94.5%的InceptionVasGloMyotides).
- 经普及度调整的指标显示了强大的预测能力,XGBoost在特定的掩盖条件下实现了8.8%和InceptionVasGloMyotides6%的二进制分类.
结论:
- XGBoost和InceptionVasGloMyotides可以在诊断前至少30天预测罕见疾病.
- 成功开发了一种性能定制的深度学习模型.
