从临床标志物和可解释的人工智能来检测患者的贫血状况
B S Dhruva Darshan1, Niranjana Sampathila1, Muralidhar G Bairy1
1Department of Biomedical Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Karnataka, India.
概括
机器学习模型使用血液测试标记器准确地识别贫血. 这种方法有助于开发自动诊断工具,用于早期检测贫血并改善患者护理.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 贫血是一种普遍存在的全球性血液疾病,影响红细胞 (RBC) 数量或携带氧气的能力.
- 这种情况显著影响患者的生活质量.
- 早期发现贫血对于及时干预和预防不良健康结果至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 模型,使用临床血液检测标记物识别贫血.
- 为诊断贫血的临床医生提供决策支持.
- 探索ML在创建自动化和准确的贫血诊断工具方面的潜力.
主要方法:
- 使用了一个包含364个样本和12个血液测试属性的数据集.
- 训练并验证了多个ML算法,包括随机森林,K-最近邻居 (KNN),支持矢量机 (SVM),天真贝斯,XGBoost和CatBoost.
- 采用SHAP,QLattice,Eli5和LIME等可解释性技术来解释模型预测.
主要成果:
- 在各种模型中实现了高准确率,KNN和XGBoost达到98%,Random Forest和CatBoost达到97%,SVM和Naive Bayes达到95%.
- 证明了ML算法的有效性,根据血液标志物对贫血进行分类.
- 成功应用模型可解释性方法来理解预测驱动因素.
结论:
- 机器学习对开发自动化和精确的贫血诊断工具具有重大前景.
- 拟议的ML方法可以作为一个有价值的临床决策支持系统.
- 在这个领域进行进一步的研究可以改善贫血查和管理策略.
