通过机器学习增强狼抗凝剂测试:深度神经网络与专家的性能匹配,而不需要特征选择
Jeffrey Wang1, Rachel Leger2, Dong Chen2
1Biology Department, Carleton College, Northfield, MN, United States.
The journal of applied laboratory medicine
|April 16, 2025
概括
深度神经网络可以自动解释狼抗凝剂 (LAC),这是抗脂抗体综合征的关键诊断标准. 多输出DNN的性能与传统方法相当或优于传统方法,为临床实验室提供了多功能解决方案.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 人工智能在医学中的应用
- 计算生物学 计算生物学
背景情况:
- 狼抗凝剂 (LAC) 对于诊断抗脂抗体综合征至关重要.
- 目前的LAC测试涉及医生对多达13项测试进行复杂的解释.
- 自动化LAC解释是临床实验室的一个重要目标.
研究的目的:
- 探索使用深度神经网络 (DNN) 架构来对LAC资料进行多标签分类的可行性.
- 评估DNN在自动化LAC测试解释方面的潜力.
- 为了比较不同的DNN架构,以提高准确性和效率.
主要方法:
- 使用了7202个追溯病例的数据集,随机分为培训,验证和测试.
- 评估了两个DNN架构:具有特征选择的单输出DNN和使用所有13个输入的多输出DNN.
- LAC阳性 (DRVVT,APTT) 和抗凝剂存在 (华法林,肝素) 被专家评判.
主要成果:
- 在所有四个预测任务中,域知识原始的多输出DNN显示了可比或改进的性能.
- 获得了高的F1分数:LAC-DRVVT的0.977,LAC-APTT的0.954,HEP的0.961和WAR的0.995分.
- 证明了DNN在没有明确选择的情况下学习特征重要性的能力.
结论:
- 与传统方法相比,多输出DNN为LAC解释提供了一种多功能且可能更简单的方法.
- 相似的性能表明DNN可以有效地在临床环境中标准化LAC诊断.
- 建议实施多输出DNN,以提高LAC测试的效率和一致性.
更多相关视频
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.3K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
