对袋装增强机器学习进行比较调查,用于早期检测HCV感染,使用带有特征选择的类失衡技术

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 病毒学 病毒学

背景情况:

• 型肝炎病毒 (HCV) 感染影响全球数百万人,需要先进的诊断工具.
• 目前的诊断方法需要改进,以便及时和准确地检测HCV.

研究的目的:

• 评估整体机器学习 (ML) 模型用于诊断HCV感染的预后准确性.
• 通过使用人口数据,确定最有效的ML模型用于早期HCV检测.

主要方法:

• 利用了615名怀疑感染HCV的个人的数据集.
• 应用过量采样,不足采样和F测试特征减少.
• 评估的整体ML模型包括SVM,k-NN,LR,RF,NB和DT.

主要成果:

• 包装k-NN模型以98.37%的精度,0.98 AUC和1.63%的错误率实现了卓越的性能.
• 关键性能指标包括高精度,回忆,F1得分和平衡精度.
• 该模型在过量采样条件下表现出强大的预测能力.

结论:

• 整体ML方法,特别是Bagging k-NN,显示出改善HCV诊断的巨大潜力.
• 这项研究为开发准确,数据驱动的HCV预测工具提供了基础.
• 优化的ML模型可以提高早期检测和治疗C型肝炎病毒.