机器学习模型的开发和应用用于使用常规实验室参数诊断血液病:一个用户友好的诊断平台
Jingya Liu1,2,3, Yang Gou1,2,3, Wuchen Yang1,2,3
1Medical Center of Hematology, The Second Affiliated Hospital of Army Medical University, Chongqing, China.
Frontiers in medicine
|October 17, 2025
概括
机器学习模型使用临床参数准确诊断出血液病. 这些模型,特别是简化组合模型,提供了高效的查,改善了患者的治疗结果和医疗保健的可访问性.
科学领域:
- 血液学 血液学 血液学
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 血液学疾病正在增加,需要早期和准确的诊断,以改善患者的预后.
- 传统的诊断方法可能是耗时且资源密集的.
研究的目的:
- 开发和评估用于早期诊断血液病的机器学习模型.
- 将这些模型的性能与人类血液学家进行比较.
- 创建一个用户友好的诊断平台.
主要方法:
- 利用54个临床和实验室参数来训练7个机器学习模型.
- 采用特征选择和组合方法来优化模型性能.
- 使用夏普利添加式扩展 (SHAP) 解释模型决策.
主要成果:
- 两种组合模型,EnMod1-46 (46个特征) 和EnMod2-12 (12个特征),在诊断16种血液病时显示出高精度 (高达0.804) 和AUC (高达0.964).
- SHAP分析确定了关键参数,如血小板 (PLT),白细胞 (WBC) 计数,平均体积 (MCV),血红蛋白 (HGB),红细胞 (RBC) 计数和年龄.
- 模型的表现优于初级血液学家,与高级血液学家相匹配,基于简化模型开发的用户友好的平台.
结论:
- 开发了精确高效的机器学习模型,用于血液病查.
- 简化的模型 (EnMod2-12) 提供了一个实际的解决方案,特别是对于资源有限的设置.
- 诊断平台提高了血液病的可访问性和风险评估.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
7.4K
