通过对血细胞因子数据的深度学习分析,先进检测冠状动脉病

科学领域:

• 生物医学数据分析
• 机器学习在医疗保健中的应用
• 心血管疾病的研究研究.

背景情况:

• 冠状动脉疾病 (CAD) 是全球主要的死亡原因.
• 早期发现和准确诊断CAD对于降低死亡率至关重要.
• 机器学习 (ML) 提供了分析复杂医疗数据以用于CAD识别的潜力.

研究的目的:

• 评估用于冠状动脉疾病风险分类的深度学习分类器 (CNN和RNN-LSTM).
• 利用一组细胞因子生物标志物作为CAD风险的预测变量.
• 为了比较ML模型在识别CAD风险方面的有效性.

主要方法:

• 卷积神经网络 (CNN) 和具有长期短期记忆 (RNN-LSTM) 分类器的循环神经网络的实施.
• 利用450种细胞因子生物标志物用于训练和测试ML模型.
• 使用接收器运行特征曲线下的面积 (AUROC) 和独立的t测试进行性能评估.

主要成果:

• 使用450种细胞因子生物标志物,RNN-LSTM分类器获得了高AUROC得分0.99 (95% CI).
• 美国有线电视新闻网的分类器获得了AUROC得分0.92.
• 在RNN-LSTM分类器显著优于CNN分类器 (p < 7.48).

结论:

• 深度学习模型,特别是RNN-LSTM,在使用细胞因子生物标志物预测CAD风险方面表现出很高的准确性.
• 细胞因子生物标志物显示出作为早期CAD检测的预测变量具有显著的潜力.
• 基于ML的方法可以增强或作为传统CAD诊断方法的替代方案.