基于机器学习的特征选择和分类用于脑梗塞查:一项实验性研究
Yang Niu1,2, Xue Tao3, Qinyuan Chang3
1Department of Rehabilitation Medicine, The First Affiliated Hospital of Anhui Medical University, Hefei, Anhui, China.
PeerJ. Computer science
|March 10, 2025
概括
机器学习增强了使用语音和认知数据的脑梗塞查. 开发的框架准确识别脑梗塞及其亚型,改善早期检测.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 脑梗塞查 (CIS) 对于及时治疗和更好的患者结果至关重要.
- 机器学习 (ML) 提供了改善神经疾病诊断准确性的潜力.
研究的目的:
- 开发和评估用于增强脑梗塞查的机器学习框架 (CIS).
- 利用语音和认知功能特征来分类脑梗塞亚型.
主要方法:
- 对117名患者的数据集进行分析 (脑梗塞,缺口梗塞,健康对照).
- 应用递归特征消除与交叉验证 (RFECV) 进行特征选择.
- 评估各种ML分类器,包括XGBoost用于二进制和三进制分类.
主要成果:
- 在CIS框架下,在将脑梗塞与对照区分开来时,获得了88.89%的准确性.
- 该系统在分类缺口性心脏病发作,非缺口性心脏病发作和健康对照中达到77.78%的准确性.
- 选择的语音和认知特征对于区分脑梗塞亚型具有重要意义.
结论:
- 机器学习有效地提高了使用语音和认知数据的脑梗塞查.
- 开发的CIS框架显示了改善早期发现和诊断脑梗塞亚型的前途.
- 将ML纳入临床实践可以促进神经学诊断.
