脊柱病理诊断使用基于监督机器学习技术的整体策略
Alam Gabriel Rojas-López1, Alejandro Rodríguez-Molina2, Abril Valeria Uriarte-Arcia1
1Optimal Mechatronic Design Laboratory, Postgraduate Department, Instituto Politécnico Nacional-Centro de Innovación y Desarrollo Tecnológico en Cómputo, Mexico City 07700, Mexico.
Healthcare (Basel, Switzerland)
|July 13, 2024
概括
这项研究增强了机器学习,用于使用组合策略诊断脊柱疾病. 堆叠组合方法显著提高了诊断准确性,在所有指标上超过95%.
科学领域:
- 生物信息学和机器学习在医学诊断中的应用.
- 为医疗保健开发先进的计算方法.
背景情况:
- 使用机器学习 (ML) 进行自动医疗诊断需要严格的性能评估.
- 目前用于分类生物医学特征的ML方法在准确性和可靠性方面面临挑战.
研究的目的:
- 提出和评估新的投票和堆叠 (VC和SC) 合并策略,以加强脊柱骨科疾病的自动诊断.
- 通过自动调整和组合技术来提高传统基线分类器的有效性.
主要方法:
- 使用多种自动调整的监督机器学习技术开发集体策略 (VC和SC).
- 选择的高性能分类器 (kNN, NB, LR, LDA, QDA, SVM, ANN, DT) 使用网格搜索K-Fold交叉验证进行超参数自动调整.
- 与使用准确度,精度,回忆,F1得分和ROC-ACU指标的个人自动调整基线分类器相比较整体策略性能.
主要成果:
- 风险投资组合策略的表现与最佳个人基线分类器 (kNN) 相当.
- 包括所有基线分类器在内的SC整体策略在所有评估指标中实现了超过95%.
- 分析发现了特定的错误分类的疾病元素,突出了分类器的可靠性.
结论:
- 综合策略,特别是SC方法,为脊柱疾病的自动诊断提供了显著的改进.
- 由于其卓越的性能和可靠性,建议的SC组合策略非常适合临床应用.
