关于使用公共和私人数据集检测阿尔法沙拉西米亚和β沙拉西米亚的深度学习的综合案例研究
Muhammad Umar Nasir1,2,3, Muhammad Tahir Naseem4, Taher M Ghazal5
1School of Computing, IVY CMS, Lahore, 54000, Pakistan.
Scientific reports
|April 17, 2025
概括
像Convolutional Neural Networks (CNN) 和XGBoost这样的深度学习模型在预测alpha和betathalassemia方面显示出高准确度. 高质量的数据显著提高了基因疾病诊断的AI模型性能.
科学领域:
- 计算生物学是一种计算生物学.
- 遗传学 是一个遗传学.
- 医学诊断 医学诊断 医学诊断
背景情况:
- thalassemia是一种影响血红蛋白生产的遗传性血液疾病,导致贫血和严重的健康问题.
- 早期和准确的血病诊断对于有效的患者管理和预防并发症至关重要.
研究的目的:
- 评估深度学习模型的性能,特别是卷积神经网络 (CNN) 和XGBoost,用于预测alpha和beta血症.
- 使用公共和私人数据集来比较模型的有效性.
主要方法:
- 应用CNN和XGBoost模型来预测alpha-thalassemia和beta-thalassemia. 这是一个很好的例子.
- 利用公开可用的医疗数据库和私人临床记录来创建数据集.
- 执行数据预处理,分割和严格的模型性能评估.
主要成果:
- 在使用私人数据集预测alpha-thalassemia时,XGBoost实现了99.34%的准确性.
- 美国有线电视新闻网 (CNN) 在使用私人数据集预测β-thalassemia时显示了98.10%的准确性.
- 私人数据集由于数据质量和数量增强而产生了更高的性能.
结论:
- 包括CNN和XGBoost在内的深度学习模型对于预测血病非常有效.
- 数据的质量和数量是优化AI诊断能力的关键因素.
- 这种由人工智能驱动的方法提供了一种可靠的方法来早期检测沙拉西米亚,可能降低死亡率.
