评估将机器学习应用于诊断非流动性猫性传染性腹膜炎的可行性
Dawn Dunbar1, Simon A Babayan2, Sarah Krumrie2
1School of Biodiversity, One Health and Veterinary Medicine, College of Medical, Veterinary and Life Sciences, University of Glasgow, Glasgow, G61 1QH, UK. dawn.dunbar@glasgow.ac.uk.
Scientific reports
|January 30, 2024
概括
机器学习 (ML) 可以帮助诊断猫感染性周周炎 (FIP) 在猫. 分析信号和实验室数据的模型准确地将FIP与非FIP病例区分开来,显示出改善诊断的潜力.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 计算生物学 计算生物学
- 流行病学 流行病学
背景情况:
- 猫感染性腹膜炎 (FIP) 是一种致命的猫科冠状病毒相关综合征.
- 诊断非排泄性FIP往往依赖于非特定的临床症状和标记.
- 在临床实践中,确认性诊断测试往往没有进行.
研究的目的:
- 调查使用机器学习 (ML) 来诊断非流动性FIP的可行性.
- 使用临床数据开发和评估ML模型,以区分FIP和非FIP病例.
主要方法:
- 在1939年疑似FIP病例的数据集上训练并验证了两个ML组合模型.
- 利用信号和实验室数据进行模型培训和评估.
- 在80个已确认的FIP和非FIP病例的单独组中测试模型性能.
主要成果:
- 基于信号和实验室数据,ML模型准确地区分了FIP和非FIP病例.
- 这些模型在确诊病例中实现了97.5%的准确性,0.969 AUC,95.45%的敏感性和98.28%的特异性.
- 证明了ML在标准化和加快临床病理学数据解释方面的潜力.
结论:
- 机器学习显示出作为诊断工具的承诺,用于猫的非流动性FIP.
- 需要进一步的研究,以更大的,已确认的数据集来完善ML模型,并考虑实验室间的变化.
- ML的应用可以提高FIP现有的实验室测试的诊断效用.
