基于机器学习的β-血病特征预测,使用红细胞指数

科学领域:

• 血液学 血液学 血液学
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 贫血,特别是低染色微细胞贫血,是一个全球性的健康问题.
• 区分β-thalassemia特征 (β-TT) 和缺铁性贫血 (IDA) 是临床上具有挑战性的,因为重叠的血液学特征.
• 准确的诊断对于有效的患者管理和治疗至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,以区分β-TT,IDA和健康个体.
• 为了利用常规红细胞 (RBC) 指数作为ML模型的输入特征.
• 评估性能并确定准确分类的关键特征.

主要方法:

• 使用了8106个个体的数据集 (3378个健康,2696个IDA,2032个β-TT).
• 使用六个RBC参数 (RBC计数,HGB,MCV,MCH,MCHC,RDW-CV) 来训练极端梯度增强 (XGB),随机森林 (RF) 和神经网络 (NN) 模型.
• 使用Boruta算法和在70/30培训/测试分割中验证的模型评估特征的重要性.

主要成果:

• 所有开发的ML模型都实现了超过97%的高精度.
• 随机森林 (RF) 模型表现出最佳性能,准确率为97.86%,AUC为99.71%.
• 关键的预测特征包括MCH (XGB),MCV (RF) 和HGB (NN).

结论:

• 机器学习模型有效地将β-TT与IDA和健康状态区分开来,使用标准RBC指数.
• 这些ML模型显示了增强β-TT检测和优化血液学诊断的潜力.
• 这些发现表明,在贫血管理中改善了临床工作流程和资源利用.