基于MMP7和使用机器学习的血清学测试,开发一种用于胆道的诊断模型
Yong Zhao1, An Wang1, Dingding Wang2
1Department of Neonatal Surgery, Beijing Children's Hospital, Capital Medical University, National Center for Children's Health, Beijing, China.
Pediatric surgery international
|July 19, 2024
概括
使用血清MMP7和血清学测试的机器学习模型可以准确诊断胆道缩 (BA). XGBoost和随机森林模型显示了早期BA检测的高预测性能.
科学领域:
- 儿科胃肠病学 儿科胃肠病学
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的机器学习
背景情况:
- 胆管缩 (BA) 是一种严重的新生儿肝病,需要早期诊断.
- 目前的诊断方法可能具有侵入性或缺乏足够的准确性,无法及时检测.
- 需要新的方法来改善早期和有效的诊断BA.
研究的目的:
- 开发和评估用于诊断胆管缩症 (BA) 的机器学习模型.
- 确定关键的血清学指标,包括MMP7,用于BA诊断.
- 使用计算方法提高BA诊断的效率和准确性.
主要方法:
- 对98名患有病态黄的患者进行了回顾性分析.
- 包括血清MMP7,肝硬度和例行血清学测试.
- 开发和比较六个机器学习模型 (LR,RF,DET,SVC,MLP,XGBoost).
- 使用接收器操作特征曲线 (AUROC) 下的面积来评估诊断效率.
主要成果:
- XGBoost和随机森林模型表现出优异的性能,AUROC接近100%.
- 这些模型在训练组中实现了完美的准确性,精度,回忆和F1分数.
- 鉴定出的关键诊断指标是血清MMP7,血清GGT和 stool.
- 一个基于XGBoost模型的nomogram显示了方便和高效的诊断能力.
结论:
- 机器学习模型,特别是XGBoost和RF,使用手术前血清MMP7和血清学数据有效诊断BA.
- 血清MMP7,血清GGT和非血性便是BA诊断的关键因素.
- 这些人工智能驱动的方法为胆道缩提供了更有效,更准确的诊断途径.
