混合可解释的人工智能模型用于针对性代谢分析 糖尿病视网膜病变的分析
Fatma Hilal Yagin1, Cemil Colak1, Abdulmohsen Algarni2
1Department of Biostatistics and Medical Informatics, Faculty of Medicine, Inonu University, Malatya 44280, Turkey.
Diagnostics (Basel, Switzerland)
|July 13, 2024
概括
混合可解释的人工智能模型使用代谢学准确预测糖尿病视网膜病变 (DR) 的进展. 葡萄糖,甘氨酸和年龄是关键指标,特定的代谢物,如肌氨酸和酸胆突出显示严重的DR阶段.
科学领域:
- 生物医学信息学是生物医学信息学.
- 代谢学 代谢学 代谢学
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是一种常见的糖尿病并发症,需要早期检测.
- 代谢学为DR进展提供了潜在的生物标志物.
- 这项研究的重点是确定在2型糖尿病 (T2DM) 中区分DR阶段的代谢物.
研究的目的:
- 开发一种混合可解释的人工智能 (XAI) 模型,用于有针对性的代谢学分析.
- 确定与不同DR阶段 (NDR,NPDR,PDR) 相关的特定代谢物.
- 加强对DR的早期检测和个性化治疗策略.
主要方法:
- 包括317名T2DM患者 (143名NDR,123名NPDR,51名PDR).
- 通过液体染色学质谱学利用向代谢学.
- 实现并验证单独和混合机器学习模型 (SVC,MLP) 具有10倍交叉验证和SHAP可解释性.
主要成果:
- 混合SVC + MLP模型实现了89.58%的准确性,87.18%的精度和88.20%的F1得分.
- 在所有DR类中,SHAP分析确定了葡萄糖,甘氨酸和年龄是关键特征.
- 肌氨酸和酸胆在扩散性DR (PDR) 中很重要,这表明潜在的严重DR生物标志物.
结论:
- 混合XAI模型,特别是SVC + MLP,在预测DR进展方面优于单独模型.
- SHAP分析为DR阶段的代谢和生理标记提供了洞察力.
- 混合XAI模型显示了早期DR检测和个性化干预的前景.
