粗略的超体积驱动的特征选择与分组智能抽样,以检测狼性炎的临床特征
Xinsen Zhou1, Yi Chen1, Ali Asghar Heidari2
1Department of Computer Science and Artificial Intelligence, Wenzhou University, Wenzhou 325035, China.
Artificial intelligence in medicine
|December 14, 2024
概括
一个名为bRGSE_AdaBoost的新算法准确地识别了区分狼性炎 (LN) 亚型的关键指标. 这种计算机辅助模型有助于为患有这种自身免疫性疾病的患者提供早期诊断和治疗计划.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 计算机科学 计算机科学
- 免疫学 免疫学 免疫学
背景情况:
- 系统性红斑狼 (SLE) 是一种自身免疫性疾病,其中狼性炎 (LN) 显著增加了发病率和死亡率.
- 繁殖性和纯膜性LN亚型具有不同的预后和治疗要求.
研究的目的:
- 为复杂的生物数据集开发一个高效的缩小维度算法 (bRGSE).
- 创建一个计算机辅助诊断模型 (bRGSE_AdaBoost) 用于使用临床数据来区分LN亚型.
主要方法:
- 提出了一种二进制粗略的超体积驱动球体进化算法,采用小组智能抽样 (bRGSE).
- 在12个具有高特征维度 (700到50,000) 的公共数据集上验证了bRGSE的维度减少能力.
- 集成的bRGSE与自适应增强 (AdaBoost) 来分析110名LN患者的临床记录.
主要成果:
- 与七个现有的高性能算法相比,bRGSE在缩小维度方面表现出更高的性能.
- bRGSE_AdaBoost模型确定了区分LN亚型的关键指标:尿液潜血,白细胞,内源性肌素清除率和年龄.
- 该bRGSE_AdaBoost模型在分类LN亚型方面实现了96.687%的高精度.
结论:
- bRGSE是一种有效的方法来减少复杂数据集的维度.
- 该bRGSE_AdaBoost模型显示了早期预警,诊断和治疗指南在狼性炎的承诺.
- 确定关键的临床指标可以帮助区分繁殖性和膜性LN.


