开发和验证一个可解释的风险预测模型,用于早期分类的血病的验证

科学领域:

• 遗传学 遗传学 是一个
• 计算生物学 计算生物学
• 血液学 血液学 血液学

背景情况:

• thalassemia是一种重要的遗传性血液疾病.
• 目前的诊断方法需要专门的设备和专业知识.
• 需要更容易获得的诊断方法.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于识别和基因类型的thalassemia.
• 使用常规血液参数作为ML算法的输入.
• 创建一个可访问的工具,以诊断血病.

主要方法:

• 开发了8个ML模型,使用31,311个人的衍生队列.
• 模型性能使用标准指标进行评估.
• 外部验证是在2000名患者的独立队列上进行的.
• 表现最好的模型被集成到一个在线平台中.

主要成果:

• 分类提升 (CatBoost) 模型表现出优异的区分能力.
• 在培训和外部验证队伍中,CatBoost模型实现了高精度.
• 在线平台成功地集成了CatBoost模型用于自动化分析.

结论:

• ML算法可以有效地从常规血液参数中识别和基因型血症.
• CatBoost模型显示出作为辅助诊断工具的巨大潜力.
• 这种方法提供了一种更易于使用的方法来查和基因定型的thalassemia.