机器学习用于预测结核病检测:对训练有素的非洲巨型袋鼠的案例研究
Joan Jonathan1, Alcardo Alex Barakabitze1, Cynthia D Fast2,3,4
1Department of Informatics and Information Technology, Sokoine University of Agriculture, Morogoro, United Republic of Tanzania.
Online journal of public health informatics
|April 16, 2024
概括
机器学习模型可以以83.39%的准确度预测大鼠对结核病 (TB) 的检测. 纳入样本诊断结果显著提高了这些训练有素的老鼠在结核病检测工作的表现.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 结核病 (TB) 诊断产生了大量的数据,需要创新的方法来有效检测.
- 训练有素的老鼠提供了一种具有成本效益,灵敏和快速的结核病检测方法,特别有利于发展中国家.
- 坦桑尼亚和埃塞俄比亚的运营研究利用结核病检测小鼠来补充现有的诊断工具.
研究的目的:
- 开发机器学习 (ML) 模型,用于预测鼠标在结核病检测中的表现.
- 提高基于老鼠的结核病检测系统的诊断准确度和整体性能.
- 使用ML技术识别影响结核病检测成功的模式.
主要方法:
- 利用由APOPO中心提供的2012-2019年的366,441个观测数据集.
- 应用了各种ML技术,包括决策树,随机森林,天真贝叶斯,支持向量机和k-最近邻居.
- 纳入的变量,例如在合作医疗诊所采用世卫组织认可的方法的诊断结果.
主要成果:
- 支持矢量机器模型实现了最高的预测准确度,达到83.39%.
- 包括与样本中的结核病存在相关的变量显著改善了预测模型的性能.
- ML技术显示出优化基于老鼠的结核病检测的潜力.
结论:
- 结合结核病样本的诊断结果,可以提高训练有素的老鼠的检测性能.
- 这些发现可以为结核病检测老鼠培训者和决策者提供信息,以维护和改进这种诊断技术.
- 优化ML模型可能会进一步提高大鼠在结核病例检测中的有效性.
