基于常规血液和生物化学测试数据的机器学习模型用于诊断神经疾病
Wanshan Ning1,2, Zhicheng Wang1,3, Ying Gu2
1Department of Laboratory Medicine, Xiamen Key Laboratory of Genetic Testing, School of Medicine, the First Affiliated Hospital of Xiamen University, Xiamen University, Xiamen, 361003, Fujian, China.
Scientific reports
|July 30, 2025
概括
机器学习模型使用血液测试准确诊断神经系统疾病. 这种具有成本效益的方法,特别是XGBoost,有助于早期检测和预防,改善全球患者的治疗结果.
科学领域:
- 计算神经科学和医学信息学.
- 人工智能在临床诊断中的应用.
背景情况:
- 神经系统疾病是全球导致残疾和死亡的主要原因.
- 目前神经系统疾病的诊断方法往往昂贵且难以获得.
研究的目的:
- 开发和评估用于诊断神经系统疾病的机器学习模型.
- 利用常规血液和生物化学数据,以经济高效地检测神经系统疾病.
- 解释模型预测,以确定关键的诊断特征.
主要方法:
- 利用了25794名健康个体和7518名神经系统疾病患者的数据集.
- 采用机器学习算法,包括后勤回归,随机森林,支持矢量机,极端梯度增强 (XGBoost) 和深度神经网络.
- 应用了SHAP算法来实现模型的可解释性.
主要成果:
- XGBoost模型在总体神经系统疾病预测方面取得了最高的表现 (AUC:0.9782).
- 模型在区分特定的神经疾病方面表现良好,神经髓炎光学检测特别有效 (AUC:0.9095).
- 生物化学检测特征被确定为模型预测的主要贡献者.
结论:
- 机器学习模型,特别是XGBoost,可以有效地使用血液常规和生物化学数据来诊断神经系统疾病.
- 这种方法为神经系统疾病的诊断和预防提供了具有成本效益的替代方案.
- 生物化学标记在人工智能驱动的各种神经疾病诊断中起着至关重要的作用.
