训练机器学习模型以检测基于GC-MS尿液代谢因子的罕见先天性代谢错误 (IEM),用于疾病查
Haomin Li1, Siyuan Gao2, Dan Wu3
1Clinical Data Center, the Children's Hospital, Zhejiang University School of Medicine, National Clinical Research Center for Child Health, Hangzhou 310052, China.
International journal of medical informatics
|December 20, 2024
概括
机器学习模型增强了对代谢先天性错误 (IEM) 查的气色谱-质谱学 (GC-MS) 解释. 这种方法显著提高了从复杂的GC-MS配置文件中识别罕见IEM病例的效率和准确性.
科学领域:
- 代谢学 代谢学 代谢学
- 临床化学 临床化学
- 生物信息学是一种生物信息学.
背景情况:
- 气色谱-质谱 (GC-MS) 是尿液代谢分析的强大工具.
- 对代谢天生的错误 (IEM) 查的广泛使用受到稀有性和复杂的数据解释的限制.
研究的目的:
- 开发和评估用于IEM选中的自动化GC-MS解释的机器学习模型.
- 解决数据不平衡的挑战,改善罕见IEM病例的识别.
主要方法:
- 在355197个GC-MS测试案例 (2013-2021) 上训练了一种基于森林的随机机器学习模型.
- 为了处理不平衡的数据,采用了加权低样本/超样本和分阶段建模等技术.
主要成果:
- 第一个阶段的模型实现了0.938的查灵敏度 (0.991包括异常病例).
- 用于分类11个IEM的第二阶段模型显示平均灵敏度为0.992,特异性为0.944,准确度为0.969.
- SHAP值为模型的诊断决策提供了可解释性.
结论:
- 具有足够高质量的数据的机器学习模型可以提供高灵敏度的GC-MS解释.
- 这些模型大大提高了基于GC-MS的IEM查的效率和质量.
更多相关视频
11:02Identification and Quantification of Deranged Metabolites in Critically Ill Patients Using NMR-Based Metabolomics
Published on: November 29, 2024
459
07:54Assessing Hepatic Metabolic Changes During Progressive Colonization of Germ-free Mouse by 1H NMR Spectroscopy
Published on: December 15, 2011
13.1K
