相关实验视频
Updated: May 5, 2026
10:36
Rare Event Detection Using Error-corrected DNA and RNA Sequencing
Published on: August 3, 2018
12.0K
使用机器学习方法及时检测罕见疾病的标记医疗记录库
Matias Rolando1, Victor Raggio2, Hugo Naya1,3
1Bioinformatics Unit, Institut Pasteur de Montevideo, Montevideo, Uruguay.
Scientific reports
|February 26, 2025
概括
机器学习 (ML) 通过分析患者数据来帮助早期发现罕见疾病 (RD). 这种方法可以缩短罕见疾病患者的漫长诊断旅程.
科学领域:
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 罕见疾病 (RDs) 影响全球7%的人口,通常在儿童时期出现慢性,渐进和无法治疗的疾病.
- 患有RDs的患者经历了一次诊断旅程,平均5年多次专家访问和侵入性手术,显著影响健康结果.
- 机器学习 (ML) 为提高医疗保健中的患者管理,诊断和治疗个性化提供了一个有希望的途径.
研究的目的:
- 开发和验证一个标记的数据集,用于在医院环境中早期检测罕见疾病.
- 评估各种监督ML模型的有效性,以识别罕见疾病.
- 为未来罕见病诊断领域的进步建立一个资源.
主要方法:
- 使用MIMIC-III数据库和来自不同来源 (内部,PubMed,ChatGPT) 的额外医疗笔记创建了一个标记的数据集.
- 应用了监督的ML算法,包括后勤回归,决策树,支持向量机 (SVM),长期短期记忆 (LSTM),卷积神经网络 (CNN) 和BERT (变压器).
- 模型性能使用F-测量和曲线下的面积 (AUC) 等指标进行了验证.
主要成果:
- 支持矢量机 (SVM) 模型实现了高F测量92.7%,曲线下的面积 (AUC) 为96%.
- 该研究成功验证了用于早期发现罕见疾病的拟议ML方法.
- 开发的数据库显示了改善诊断途径的巨大潜力.
结论:
- 机器学习模型,特别是SVM,显示出早期和准确的罕见疾病检测的巨大潜力.
- 建议的标记数据集和验证的ML方法可以帮助将患者重定向到适当的诊断途径,缩短诊断旅程.
- 这项工作为在罕见疾病诊断领域的进一步研究和开发提供了宝贵的资源.
