基于红细胞参数的机器学习来区分微细胞性低染色性贫血

科学领域:

• 血液学 血液学 血液学
• 机器学习 机器学习
• 医学诊断 医学诊断 医学诊断

背景情况:

• 血症特征 (TT) 和缺铁性贫血 (IDA) 是微细胞低染色贫血 (MHA) 的常见原因.
• 目前用于区分TT和IDA的诊断方法存在局限性.
• 准确的区分对于适当的患者管理至关重要.

研究的目的:

• 开发和评估用于区分TT和IDA的机器学习 (ML) 算法.
• 为了利用红细胞参数进行准确的MHA分类.
• 为了识别用于歧视性建模的关键红细胞参数.

主要方法:

• 对193名MHA受试者的回顾性分析 (98名TT,95名IDA).
• 数据分为培训 (60%),验证 (20%) 和测试 (20%) 集.
• 五个ML算法 (随机森林,XGBoost,逻辑回归,AdaBoost,LightGBM) 应用于来自自动化血液学分析仪的红细胞参数.
• 使用灵敏度,特异性,准确性,AUC,NPV,PPV,F1得分和卡帕系数来评估性能.

主要成果:

• 随机森林和物流回归模型在测试组中表现出良好的分辨性能.
• 随机森林获得的AUC为0.977,灵敏度为0.928,特异性为0.953,准确度为0.940.
• 后勤回归实现了AUC为0.978,灵敏度为0.879,特异性为0.979,准确度为0.928.
• 确定了八个重要的红细胞参数:红血细胞,RDW,MCV,MCHC,RDWSD,HGB,MAF和LHD.

结论:

• 成功开发了基于ML的歧视模型,用于快速识别MHA.
• 这些模型有效地使用红细胞参数区分TT和IDA.
• 这种方法可以帮助患者及时诊断和预防措施.