结合CBC和CPD数据的急性白血病预警模型基于机器学习

科学领域:

• 血液学 血液学 血液学
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 急性白血病 (AL) 的早期诊断对于改善患者生存率至关重要.
• 完整血清 (CBC) 和细胞群数据 (CPD) 对疾病检测有价值.
• 开发有效的预警模型可以帮助临床医生诊断AL.

研究的目的:

• 开发和评估用于检测急性白血病 (AL) 的预警模型.
• 为了利用完整血清 (CBC) 和细胞群数据 (CPD) 进行AL查.
• 为了比较不同机器学习模型在AL诊断中的性能.

主要方法:

• 追溯收集来自AL和非AL患者的CBC和CPD数据.
• 支持矢量机 (SVM),随机森林 (RF) 和物流回归 (LR) 模型的开发.
• 使用独立测试和验证数据集验证最佳模型.

主要成果:

• 与RF和LR模型相比,SVM模型显示出更高的诊断准确性.
• SVM模型实现了高精度 (92.93%的训练,89.66%的测试) 和AUC (0.981的训练,0.959的测试).
• 在外部验证中,SVM模型显示了令人满意的有效性和可行性 (76.34%准确率,0.841 AUC).

结论:

• 支持矢量机 (SVM) 模型显示了作为急性白血病 (AL) 临床查工具的巨大潜力.
• 开发的模型有效地利用CBC和CPD来检测AL.
• SVM模型的性能支持其可用于帮助临床诊断的可行性.