基于大数据缩小维度的监督机器学习算法用于NASH诊断.

科学领域:

• 肝病学 肝病学是一种肝病学.
• 机器学习 机器学习
• 生物医学数据科学 生物医学数据科学

背景情况:

• 由于缺乏有效的早期检测方法,对非酒精性型肝炎 (NASH) 的诊断仍然具有挑战性.
• 收集大量冗余的医疗数据用于NASH诊断.
• 早期和准确的NASH鉴定对于预防肝衰竭相关的发病率至关重要.

研究的目的:

• 开发准确的非酒精性胆固醇肝炎 (NASH) 预测模型.
• 为了确定NASH诊断最有信息的血液测试数据.
• 使用先进的机器学习算法优化NASH预测.

主要方法:

• 使用皮尔森相关性和利用人工神经网络 (PSO-ANN) 的粒子群优化进行特征选择.
• 使用批次最小平方 (BLS) 和人工蜂群 (ABC) 算法优化NASH预测模型.
• 机器学习模型的训练和验证,使用精选的血液测试数据.

主要成果:

• 该BLS模型在良性NASH病例中达到100%的准确性,在恶性NASH病例中达到98%的准确性.
• 该ABC模型在良性NASH病例中达到90.5%的准确率,在恶性NASH病例中达到94.3%.
• 这两种模型都在基于精选的血液生物标志物诊断NASH方面表现出很高的性能.

结论:

• 机器学习算法,特别是BLS,显示出高潜力准确的非酒精性脂肪肝炎 (NASH) 诊断.
• 从大数据中优化的特征选择提高了NASH诊断模型的预测能力.
• 这种方法为早期和准确的NASH检测提供了有希望的途径,有助于预防肝衰竭.