集成机器学习和深度学习用于预测糖尿病病模型的构建,验证和解释性
Junjie Ma1, Shaoguang An1, Mohan Cao1
1Department of Clinical Medicine, Bengbu Medical University, Bengbu, China.
Endocrine
|February 23, 2024
概括
这项研究开发了一种用于早期糖尿病病 (DN) 诊断的机器学习模型. 随机森林模型表现出卓越的预测性能,有助于临床查.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 糖尿病病 (DN) 是糖尿病的一个重大并发症,需要早期和准确的诊断工具.
- 目前的诊断方法可能具有侵入性或缺乏早期检测的敏感性.
研究的目的:
- 开发和验证基于机器学习的风险预测模型,用于糖尿病病 (DN) 的辅助诊断.
- 通过内部和外部验证来评估模型的预测性能和通用性.
主要方法:
- 使用LASSO,RFE和MRMR等算法进行数据预处理和特征选择.
- 构建和评估十个机器学习模型,其中随机森林被认为是最佳的.
- 使用包括ROC,PR,准确性,MCC和Kappa在内的指标进行内部和外部验证.
主要成果:
- 为DN预测确定了15个关键变量.
- 随机森林模型在测试组中表现出卓越的预测性能,ROC为0.912.
- 外部验证队列显示强烈的概括,ROC值为0.828和0.863.
结论:
- 开发的机器学习模型证明了糖尿病病的显著预测价值.
- 该模型准备协助早期诊断和临床查DN.
- 基于该模型的在线平台可促进临床应用的可访问性.


