机器学习允许使用常见的实验室指标对肥胖女性内脏脂肪进行强有力的分类

科学领域:

• 生物医学数据科学是生物医学数据科学.
• 医学成像和诊断 医学成像和诊断
• 肥胖研究的研究.

背景情况:

• 过多的内脏脂肪组织 (VAT) 会增加与肥胖相关的并发症风险.
• 准确的增值税测量对于风险分层具有临床重要性.
• 目前的增值税测量方法 (人体测量,生物阻抗,DXA) 有局限性.

研究的目的:

• 为了比较机器学习模型来估计和分类肥胖妇女的增值税.
• 用DXA和血液数据评估多线性回归 (MLR) 和监督分类器 (例如,后勤回归) 的性能.
• 为弥补研究中的差距,专注于患有肥胖症的女性.

主要方法:

• 在149名患有肥胖症的妇女身上训练和评估了MLR和6个监督机器学习分类器.
• 将增值税分为三个类别 (0,1,2) 使用DXA数据,血液化学度 (BLDdata) 或两者 (ALLdata).
• 通过使用ROC和PR AUC的估计误差和分类模型来评估MLR.

主要成果:

• 在所有数据集中,MLR模型显示增值税估计能力较差.
• 后勤回归 (LR) 实现了最高的精度 (0.53-0.63),使用BLDdata.data的最佳性能.
• 有LR的血液数据 (BLD数据) 显示了更好的分类性能 (ROC AUC 0.61,PR AUC 0.42),特别是在第1类.

结论:

• 在这个群体中,直接增值税估计是不可靠的.
• 使用血液化学度的机器学习分类器可以有效地分类患有肥胖症的女性.
• 基于血液的分类为临床实践提供了一个有希望的,可访问的替代方案,需要在更大的人群中进一步验证.