机器学习技术在基于代谢的早产预测中的比较分析
Ying-Chieh Han1, Jane Shearer1,2,3, Chunlong Mu2,3
1Department of Biomedical Engineering, Faculty of Engineering, University of Calgary, 2500 University Dr. NW, Calgary, AB T2N 1N4, Canada.
Computational and structural biotechnology journal
|August 1, 2025
概括
机器学习模型可以使用血清代谢学来预测早产. XGBoost与重新采样显示了最高的准确性,识别了与早产相关的特定代谢物和代谢途径.
科学领域:
- 生命科学研究 生命科学研究
- 计算生物学 计算生物学
- 生物化学 生物化学
背景情况:
- 机器学习 (ML) 在生命科学中越来越多地使用.
- 这项研究评估了ML模型来预测早产.
- 利用了第三个三个月的血清代谢数据.
研究的目的:
- 评估各种ML模型在预测早产的有效性.
- 确定与早产相关的关键代谢物和代谢途径.
- 为了优化小规模临床数据集的预测准确性.
主要方法:
- 使用了来自48名早产和102名产后产妇的血清样本.
- 应用了四种ML算法:PLS-DA,后勤回归,ANN和XGBoost.
- 使用混矩阵,AUROC和特征重要性 (SHAP) 评估模型.
主要成果:
- 非线性模型 (ANN,XGBoost) 与线性模型 (PLS-DA,物流回归) 相比显示了边际改善.
- 使用引导重新抽样的XGBoost实现了最高的性能 (AUROC = 0.85).
- 乙卡尼丁,氨基酸衍生物和破坏的氨酸/氨酸/氨酸代谢是关键的区分因素.
结论:
- 基于代谢学的早产预测是复杂的.
- 对于小数据集,建议采用代的,基于模型的方法.
- 机器学习模型,特别是XGBoost,对早产预测有前途.
