针对非酒精性脂肪性肝病的自动机器学习模型,通过来自NHANES 2017-2020的受控衰减参数进行评估
Lihe Liu1, Jiaxi Lin1, Lu Liu1
1Department of Gastroenterology, The First Affiliated Hospital of Soochow University, Suzhou, China.
Digital health
|August 9, 2024
概括
自动机器学习 (AutoML) 使用NHANES数据有效识别了非酒精性脂肪性肝病 (NAFLD). 一个XGBoost模型实现了高精度,证明了AutoML在临床NAFLD识别方面的潜力.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 非酒精性脂肪性肝病 (NAFLD) 是一种普遍存在的全球性肝病.
- 准确识别NAFLD对于患者管理和公共卫生至关重要.
- 现有的诊断方法可能是侵入性的或昂贵的.
研究的目的:
- 评估自动机器学习 (AutoML) 在识别NAFLD方面的有效性.
- 使用大量人口数据集开发和验证NAFLD的预测模型.
- 探索AutoML在肝病诊断中的临床实用性.
主要方法:
- 使用了国家健康和营养检查调查 (NHANES) 数据库.
- 定义NAFLD使用控制衰减参数 (CAP) 来自肝脏过渡性超声波弹性学.
- 应用了六种不同的AutoML算法 (GBM,DRF,XRT,GLM,XGBoost,DL) 用于模型开发和通过LASSO回归进行特征选择.
- 使用AUC,校准曲线,决策曲线分析和可解释性图 (SHAP,PDP,LIME) 的评估模型.
主要成果:
- 包括4177名参与者 (1010人患有NAFLD).
- 在测试的AutoML算法中,XGBoost模型表现出卓越的性能.
- 在验证组中,XGBoost 获得了 0.859 的 AUC,0.795 的精度,0.773 的灵敏度和 0.802 的特异性.
结论:
- 一个基于XGBoost的模型证明了NAFLD识别的高效性.
- 开发了一个基于网络的应用程序 (Shiny NAFLD) 用于实际的NAFLD评估.
- 在临床环境中,AutoML为现实世界NAFLD检测提供了一个有希望的,高效的工具.
