开发一种新的深度学习方法,将表式输入变量转换为图像,用于预测SLD
Gabriel Cubillos1,2, Javier Perez-Valenzuela3, Herman Aguirre4
1Department of Electrical Engineering, and Advanced Mining Technology Center, Universidad de Chile, Santiago, Chile.
Scientific reports
|July 31, 2025
概括
一种新的深度学习 (DL) 方法将患者数据转化为图像,用于预测脂肪性肝病 (SLD). 这种新的方法在传统模型和肝硬化指数 (HSI) 上显示出更高的性能.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 脂肪性肝病 (SLD),以前被称为脂肪性肝病,影响大约30-38%的成年人.
- 早期发现和治疗SLD对于预防疾病进展,减少不良后果和减轻经济负担至关重要.
研究的目的:
- 开发和评估一种新的深度学习 (DL) 方法来预测SLD.
- 通过将表格患者数据转换为图像格式,以提高预测性能,利用DL的模式识别能力.
主要方法:
- 开发一个DL模型,将患者数据向量转换为图像.
- 培训和验证DL模型使用2999名患者登记册的数据集.
- 与传统机器学习 (ML) 模型和肝硬化指数 (HSI) 进行DL模型性能比较.
主要成果:
- 与传统的ML模型相比,开发的DL模型在各种灵敏度和特异性水平上显示出更高的预测性能.
- 一个DL模型实现了0.9497的灵敏度,0.6417的特异性和0.8662.2的AUCROC.
- 在AUCROC值方面,DL模型显著优于HSI和传统ML模型.
结论:
- 新的DL方法通过将表格数据转换为图像,为预测SLD提供了一种强大的新方法.
- 这种基于图像的DL策略比现有方法 (包括HSI) 实现了更高的准确性和更好的预测性能.
- 这些发现表明,通过先进的AI技术来改进SLD检测和管理的有希望的方向.
