机器学习方法用于区分缺铁性贫血和血症,使用随机森林和梯度增强算法
Wanicha Tepakhan1,2, Wisarut Srisintorn3, Tipparat Penglong1
1Department of Pathology, Faculty of Medicine, Prince of Songkla University, Hat Yai, Songkhla, Thailand.
Scientific reports
|May 15, 2025
概括
机器学习模型有效地区分了缺铁性贫血 (IDA) 和血病 (Thal). 梯度增强和随机森林算法在诊断这些条件方面显示出高准确性,有助于在特有地区.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 红细胞指数用于区分缺铁性贫血 (IDA) 和血病 (Thal).
- 现有的公式显示了可变的诊断效率.
- 需要对IDA和Thal.进行改进的诊断工具.
研究的目的:
- 开发和评估机器学习算法,以区分IDA和Thal.
- 为了比较随机森林 (RF) 和梯度增强 (GB) 算法的性能.
主要方法:
- 利用了来自1143名贫血患者和低平均体积的完整血清数据.
- 数据包括382个IDA,635个Thal和126个混合IDA和Thal病例.
- 采用RF和GB算法,数据分为80:20训练和测试集.
主要成果:
- 两种RF和GB模型都在预测IDA和Thal.方面表现出强大的诊断性能.
- 在二元结果预测 (测试组),GB和RF实现了90.7%的准确性和0.953的AUC-ROC.
- 在包括IDA和Thal患者时,表现下降,准确率为80.4% (GB) 和82.2% (RF).
结论:
- 成功开发了一种机器学习方法,特别是使用GB算法.
- 这种工具显示出在特有地区诊断IDA和Thal的潜在实用性.
- 对于涉及同时存在的IDA和Thal.的案件,可能需要进一步细化.
