使用多维预聚类检测型肝炎的交叉数据集元模型
Aryan Sharma1, Tanmay Khade1, Shashank Mouli Satapathy2
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, Tamil Nadu, 632014, India.
Scientific reports
|March 2, 2025
概括
机器学习使用生物化学数据准确识别C型肝炎 (HCV). 一个新的元模型实现了94.82%的准确性,超过了准确诊断型肝炎的基线模型.
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
- 医疗保健中的机器学习
背景情况:
- 肝炎C病毒 (HCV) 感染导致肝炎,可能导致慢性肝病,肝细胞癌 (HCC) 和死亡.
- 早期诊断和治疗HCV对于预防严重的健康并发症至关重要.
- 标准的生物化学测试为患者的评估提供了有价值的数据.
研究的目的:
- 开发和评估一种机器学习模型,使用标准生物化学测试参数精确识别C型肝炎 (HCV).
- 通过采用一种新的预集群方法和一个堆叠的元模型来提高诊断准确性.
- 将开发的元模型的性能与已建立的基线机器学习模型进行比较.
主要方法:
- 通过合并两个常见的HCV数据集,创建一个混合数据集,并将一个保留数据集用于验证.
- 采用多维预集群方法 (k-means和k-modes) 来进行特征提取.
- 使用增强数据集训练了一个堆叠的元模型,结合XGBoost,K-最近邻居,支持矢量分类器和随机森林 (RF) 算法.
主要成果:
- 堆叠的元模型实现了94.82%的诊断准确度.
- 这一表现超过了基线随机森林 (RF) 模型,该模型得分为94.25%.
- 使用可解释的人工智能 (XAI) 技术来解释模型预测.
结论:
- 机器学习,特别是开发的堆叠元模型,显示出对准确和高效的C型肝炎 (HCV) 诊断的重大前景.
- 整合功能工程的预聚类可以增强诊断能力.
- 这种方法为早期HCV检测提供了有价值的工具,有可能改善患者的治疗结果.
