基于LassoNet特征选择的综合任务深度网络,用于预测急性冠状动脉综合征的并发症

科学领域:

• 心血管医学 心血管医学
• 生物医学信息学 生物医学信息学
• 机器学习 机器学习

背景情况:

• 急性冠状动脉综合征 (ACS) 经常伴有多种并发症,使患者的治疗和治疗结果复杂化.
• 准确预测这些并发症对于个性化治疗和临床决策至关重要.
• 现有的研究在识别风险因素和预测心力衰竭以外的ACS并发症方面存在局限性.

研究的目的:

• 引入一个新的框架,基于LassoNet特征选择 (CDNL) 的综合任务深度网络,用于预测ACS并发症.
• 确定与ACS并发症相关的关键生物标志物.
• 为每个ACS并发症开发一个最佳的组合任务预测模型.

主要方法:

• CDNL框架将LassoNet纳入特征选择,通过跳过层扩展Lasso回归.
• 一种相关性得分计算方法测量了生物标志物在任务之间重叠和重要性.
• 在中国的一家三级医院进行了一项涉及2941个样本和42个临床特征的横截面研究.

主要成果:

• CDNL有效地识别了ACS并发症的重要生物标志物.
• 该模型实现了平均AUC改善,比DNN提高4.93%和比SVM提高8.58%.
• 与两种最先进的多任务模型相比,CDNL的平均AUC改善率为2.64%和1.92%.

结论:

• 该CDNL框架提供了一个有效的方法来预测ACS并发症和识别相关的生物标志物.
• 这种方法解决了传统的多任务学习的局限性,通过实现最佳的组合任务模型.
• 与现有的深度学习和多任务模型相比,CDNL在预测ACS并发症方面表现优越.