代谢学生物标志物发现以优化肝细胞癌诊断:整合AutoML和可解释的人工智能的方法论
Fatma Hilal Yagin1, Radwa El Shawi2, Abdulmohsen Algarni3
1Department of Biostatistics, and Medical Informatics, Faculty of Medicine, Inonu University, 44280 Malatya, Turkey.
Diagnostics (Basel, Switzerland)
|September 28, 2024
概括
自动机器学习 (AutoML) 和可解释的人工智能 (XAI) 有效地识别了代谢生物标志物,以区分肝细胞癌 (HCC) 和肝硬化. 这种方法提高了C型肝炎病毒 (HCV) 患者的诊断准确性和生物标志物发现.
科学领域:
- 发现生物标志物的发现.
- 医学中的人工智能
- 代谢学 代谢学 代谢学
背景情况:
- 在型肝炎病毒 (HCV) 患者中,肝细胞癌 (HCC) 和肝硬化需要准确的区分.
- 代谢概况为疾病分类提供了潜在的生物标志物.
- 结合自动化机器学习 (AutoML) 和可解释的人工智能 (XAI),可以改善生物标志物识别.
研究的目的:
- 评估AutoML和XAI结合的有效性,以识别HCV患者中HCC与肝硬化区分的代谢生物标志物.
- 为了比较不同AutoML工具和传统机器学习模型的性能.
主要方法:
- 利用来自HCC患者和肝硬化控制组的公开数据.
- 采用TPOT (AutoML工具) 进行功能/数据优化和模型选择.
- 应用TreeSHAP (一种XAI方法) 来解释模型预测和代谢物贡献.
主要成果:
- TPOT的表现优于其他AutoML和传统机器学习模型,AUC为0.81.
- 包括L-氨酸,甘氨酸和DL-单氨酸在内的关键代谢物被确定为显著.
- 树SHAP分析证实了这些代谢物的贡献,提高了模型的解释性.
结论:
- 自动ML和XAI集成成功生成了用于HCC检测的特定代谢生物标志物.
- 与传统方法相比,TPOT在生物标志物识别方面表现出更高的能力.
- 综合方法为HCC诊断提供了一个透明和可靠的AI驱动的解决方案.
