基于能源谷优化多重堆叠 (EVO-MS) 模型的肝纤维化病的分期
Xuejun Zhang1,2, Shengxiang Chen1, Pengfei Zhang1
1School of Computer, Electronics and Information, Guangxi University, Nanning 530004, China.
Bioengineering (Basel, Switzerland)
|May 25, 2024
概括
这项研究引入了一种AI模型,EVO-MS,用于使用CT扫描来非侵入性地确定肝纤维化. 该模型通过优化特征选择和集合学习来准确量化纤维化,为肝脏活检提供了更安全的替代方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 肝脏活检是目前诊断肝纤维化的标准,它带有很大的风险,包括出血和感染.
- 医学成像和图像处理方面的进步为非侵入性纤维化定量提供了潜力.
- 集体学习技术,如堆叠,显示承诺,但需要精确的优化,以获得最佳性能.
研究的目的:
- 提出和评估一个新的多重堆叠合体学习模型,EVO-MS,用于准确的肝纤维化阶段.
- 利用能源谷优化 (EVO) 算法进行最佳的特征选择和模型参数调整.
- 开发一种使用计算机断层扫描 (CT) 成像来确定肝纤维化的非侵入性方法.
主要方法:
- 肝脏轮是从415个CT扫描中提取的,这些CT扫描来自已证明肝纤维化患者.
- 从轮计算出十个形状特征,并作为输入.
- 使用支持矢量机 (SVM) 分类器,并使用EVO算法优化的多重堆叠方法融合了六个基本模型 (KNN,DT,NB,XGB,GBDT,RF).
主要成果:
- 通过EVO-MS模型,在确定肝纤维化阶段方面实现了高性能.
- 通过选择3-5个信息特征来获得最佳分类结果,包括轮圆度不均 (Rmax),最大峰高 (Rp) 和最大谷深 (Rm).
- 该模型的准确度为0.864,精度为0.813,灵敏度为0.912,特异性为0.824,F1得分为0.860.
结论:
- 拟议的EVO-MS模型有效地使用CT成像和先进的机器学习来分阶段肝纤维化.
- 通过将EVO算法与多重堆叠集成,可以提高特征选择和模型性能.
- 这种由人工智能驱动的方法为纤维化评估提供了一个有希望的,不那么侵入性的替代传统肝脏活检.
