通过利用合成过量采样和机器学习模型,增强可解释的甲状腺疾病诊断
Ali Raza1, Fatma Eid2, Elisabeth Caro Montero3,4,5,6
1Department of Software Engineering, University of Lahore, Lahore, 54000, Pakistan.
BMC medical informatics and decision making
|November 29, 2024
概括
这项研究引入了用于早期甲状腺疾病诊断的AI方法,达到0.96准确度. 新的SNL方法结合了SMOTE-NC和LGBM,有效地解决了数据不平衡,以改善甲状腺疾病的检测.
科学领域:
- 内分泌学和新陈代谢学
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 甲状腺疾病,包括甲状腺功能障碍和甲状腺功能障碍,影响全球数百万人,影响新陈代谢和生活质量.
- 早期和准确的诊断对于有效管理和治疗甲状腺疾病至关重要.
- 目前的诊断方法可以得到改进,特别是处理不平衡的数据集.
研究的目的:
- 提出一种基于人工智能 (AI) 的有效方法,用于早期诊断甲状腺疾病.
- 解决诊断甲状腺疾病的挑战,包括阶级不平衡.
- 提高AI诊断模型的透明度和可解释性.
主要方法:
- 利用了一个开放式的甲状腺疾病数据集,包括3772名患者的观察.
- 采用名义连续合成少数超样本技术 (SMOTE-NC) 进行数据平衡.
- 应用了微调的光梯度增强机 (LGBM) 技术,形成了拟议的SNL (SMOTE-NC-LGBM) 方法.
- 嵌入式可解释AI (XAI) 使用Shapley添加式扩展 (SHAP) 进行模型解释性.
主要成果:
- 拟议的SNL方法实现了0.96的高精度性能得分,超过了最先进的方法.
- 用先进的机器学习和深度学习方法进行比较性能评估.
- 进行了超参数优化,以进一步提高诊断性能.
结论:
- SNL方法在早期和有效诊断甲状腺疾病方面取得了重大进展.
- 人工智能的使用,特别是具有可解释的机制,彻底改变了甲状腺疾病的检测.
- 这项研究提供了一个强大的工具,以帮助专家在早期克服甲状腺疾病.
