基于极端机器学习的慢性型肝炎纤维化和炎症活动诊断

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 慢性型肝炎的诊断传统上需要侵入性肝脏活检.
• 血清指数提供了一个潜在的非侵入性替代品,用于疾病的病期.
• 准确的,非侵入性的方法对于治疗慢性型肝炎至关重要.

研究的目的:

• 开发和评估慢性型肝炎的自动,非侵入性诊断系统.
• 用血清指数预测纤维化阶段和炎症活性等级.
• 改进慢性型肝炎的现有诊断方法.

主要方法:

• 提出了一个基于极端学习机器 (ELM) 的自诊断系统.
• 开发了一个混合系统,将k-means集群和ELM结合起来,以提高样本的稳定性.
• 在123个临床病例中测试了系统,分析了血清指数的观察结果.

主要成果:

• 两种拟议的系统都在预测纤维化阶段和炎症活动方面表现出强的表现.
• 混合k-means和ELM方法有效地解决了类不平衡,异常值和小样本大小的问题.
• 开发的方法超过了现有的最先进的技术.

结论:

• 使用血清指数进行慢性型肝炎的非侵入性诊断是可行的和有效的.
• 拟议的ELM和混合k-means-ELM系统为肝脏活检提供了一个有希望的替代方案.
• 这些先进的方法可以显著帮助慢性型肝炎患者的临床管理.