机器学习驱动的预测维生素D缺乏的严重程度与混合优化
Usharani Bhimavarapu1, Gopi Battineni2,3, Nalini Chintalapudi2
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Vaddeswaram 522302, India.
Bioengineering (Basel, Switzerland)
|February 26, 2025
概括
预测维生素D缺乏症 (VDD) 严重程度至关重要. 这项研究开发了一个机器学习模型,使用改进的鱼优化来准确,非侵入性检测VDD,达到99.4%的准确性.
科学领域:
- 生物医学信息学 生物医学信息学
- 机器学习应用 机器学习应用
- 营养科学 营养科学
背景情况:
- 维生素D缺乏 (VDD) 构成全球健康风险.
- 标准的25-基维生素D (25-OH-D) 血液检测通常是不切实际的.
- 越来越需要对VDD严重程度进行非侵入性预测.
研究的目的:
- 开发一个临床上可接受的机器学习 (ML) 模型来检测VDD.
- 消除了对25-OH-D血液测试的需要.
- 解决地址模型过拟合并增强多类预测.
主要方法:
- 在维生素D数据集中应用了数据的减少,清理和转换.
- 利用改进的鱼优化 (IWOA) 算法进行特征选择和重量功能的优化.
- 使用堆叠分类器来提高预测准确度.
主要成果:
- 在VDD检测中达到99.4%的高精度.
- 拟议的IWOA算法在特征选择方面表现出卓越的性能.
- 与其他模型相比,堆叠分类器被证明是有效和强大的.
结论:
- 开发的ML模型为VDD评估提供了一个有希望的非侵入性方法.
- 先进的优化技术显著提高了预测准确度.
- 堆叠分类器是检测维生素D缺乏症的可靠选择.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.6K
13:54A Workflow for Lipid Nanoparticle LNP Formulation Optimization using Designed Mixture-Process Experiments and Self-Validated Ensemble Models SVEM
Published on: August 18, 2023
4.3K
