开发专家系统来对肌痛性脑筋炎/慢性疲劳综合征进行分类

科学领域:

• 生物医学数据科学是生物医学数据科学.
• 医学中的人工智能
• 代谢学 代谢学 代谢学

背景情况:

• 肌痛性脑筋炎/慢性疲劳综合征 (ME/CFS) 是一种致残的疾病,缺乏特定的诊断测试.
• 目前的ME/CFS诊断依赖于症状表现,导致诊断挑战和延迟治疗.
• 确定可靠的生物标志物对于改善ME/CFS诊断和预后至关重要.

研究的目的:

• 开发和验证一个可解释的人工智能 (XAI) 集成机器学习 (ML) 框架,用于识别和分类ME/CFS的代谢生物标志物.
• 减少准确预测ME/CFS所需的代谢物数量,从而降低诊断成本和改善预后时间表.
• 通过可解释的AI模型,提供与ME/CFS相关的代谢变化的洞察力.

主要方法:

• 利用了来自32名ME/CFS患者和19名健康对照者的血液样本的代谢学数据.
• 开发了一个基于XAI的ML模型,包括特征选择,将832个代谢物减少到50个.
• 采用了六个ML算法,并解释了使用SHAP识别生物标志物的最佳模型 (XGBoost).

主要成果:

• 最好的ML模型 (XGBoost) 实现了高诊断精度,AUCROC为98.85%.
• 确定了与ME/CFS风险增加相关的特定代谢生物标志物:降低了α-CEHC硫酸盐,素,甲胺,增加了N-delta-acetylornithine,oleoyl-linoloyl-glycerol.
• XAI方法成功解释了生物标志物预测,提高了模型的解释性.

结论:

• ML和XAI的组合为ME/CFS中的生物标志物预测提供了一个强大的框架.
• 这种方法为开发ME/CFS预后模型提供了一个有希望的第一步.
• 鉴定的代谢生物标志物可能有助于开发更精确的ME/CFS诊断和预后工具.