综合神经网络和进化算法方法用于肝纤维化病阶段:人工智能可以降低患者成本吗?

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 肝病学 肝病学是一种肝病学.

背景情况:

• 准确的肝纤维化阶段确定对于患者的管理至关重要.
• 肝脏活检,目前的黄金标准,是侵入性的.
• 预测纤维化的非侵入性方法非常受欢迎.

研究的目的:

• 开发和评估一个人工神经网络 (ANN) 模型与基于教学优化 (TLBO) 算法集成.
• 在献血者和型肝炎患者中预测肝纤维化的阶段.
• 为了减少准确的纤维化预测所需的输入特征的数量.

主要方法:

• 使用的机器学习分类方法:多层感知子 (MLP),天真贝叶斯式 (NB),决策树和深度学习.
• 应用合成少数群体过量采样技术 (SMOTE) 来处理数据集不平衡.
• 集成的MLP与TLBO算法进行优化特征选择和预测.

主要成果:

• 使用TLBO提出的MLP模型仅使用7个特征,实现了0.891的诊断准确度.
• 12个特征的标准MLP的准确性为0.903.
• SMOTE应用程序改善了大多数方法的诊断准确性,不包括贝叶斯网络模型.

结论:

• 针对TLBO优化的MLP模型提供了一种简单的方法,具有较少的特征要求和与更复杂的方法相比的准确性.
• 基于决策树的深度学习模型显示了12个特征的最高准确性.
• 拟议的方法表明了准确,不那么侵入性肝纤维化病阶段的潜力.