基于常见的实验室结果的人工智能分析实现了血细胞失分的准确分类
Bihua Yao1, Yicheng Liu2, Yuwei Wu3
1Laboratory Medicine Center, Department of Clinical Laboratory, The First People's Hospital of Jiashan affiliated to Jiaxing University, Jiashan, Zhejiang, China.
PeerJ
|November 8, 2024
概括
利用常规实验室数据的人工智能模型显著改善了血细胞失分症的诊断和分类. 这种方法增强了早期检测和个性化治疗策略,用于诸如多发性骨髓瘤等疾病.
科学领域:
- 血液学 血液学 血液学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 血细胞衰变需要早期和精确的诊断,以获得最佳的患者结果.
- 通过将人工智能 (AI) 与常规实验室数据相结合,可以改进目前的诊断方法.
- 这项研究旨在开发一种使用标准实验室参数的AI模型,以提高这些疾病的诊断准确性和分类效率.
研究的目的:
- 使用标准实验室参数构建一个人工智能驱动的模型来诊断血细胞失色症.
- 为了提高诊断准确性和分类效率在血细胞失分症.
- 为特定的血细胞失分症开发一个亚型分类模型.
主要方法:
- 分析了2018-2023年1,188名参与者的数据 (609名患有血细胞失光症,579名对照)
- 使用Kruskal-Wallis和Wilcoxon测试来选择变量,然后使用SHAP来减少维度和确定优先级.
- 开发和评估了四个机器学习模型 (GBDT,SVM,DNN,DT) 使用五倍交叉验证,并确定了九个关键变量.
主要成果:
- 沙普利添加式解释 (SHAP) 方法确定了九个关键变量,包括血红蛋白,血清肌素和β2-微型血球蛋白.
- 渐变增强决策树 (GBDT) 模型实现了93.5%的准确性,98.1%的回忆,以及0.987的AUC用于血细胞失光症诊断,外部验证显示100%的准确性.
- 深度神经网络 (DNN) 模型在分类多发性骨髓瘤,MGUS和轻链骨髓瘤方面表现出超过90%的灵敏度和特异性.
结论:
- 利用常规实验室结果的AI模型显著提高了诊断和分类血细胞失分症的精度.
- 这种人工智能驱动的方法为早期检测和更个性化的治疗计划提供了一个有希望的策略.
- 这项研究强调了机器学习在血液学诊断中的潜力.
