机器学习算法用于微细胞性贫血的多类分类的应用表明,最低要求的血液学参数数量足以达到高诊断准确度
Veroniki Komninaka1,2, Sofia Liossi3, Nikolaos J Tsagarakis1
1Hematology Laboratory, GNA G. Gennimatas, Athens, Greece.
International journal of laboratory hematology
|December 2, 2025
概括
机器学习模型使用有限的完整血清数据准确地对血症进行分类. 四个关键参数足以进行初步诊断,改善全球健康查.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- thalassemia是一个重大的全球健康挑战,需要精确的异胞查,以有效管理疾病.
- 世界卫生组织 (WHO) 认为,血病是全球主要的健康问题.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于微细胞瘤的差异诊断,包括各种类型的血病和缺铁性贫血.
- 为了确定最佳的全血细胞计 (CBC) 参数组,以准确分类.
主要方法:
- 多类ML模型被训练使用CBC数据从1518个人的4个血液学分析仪.
- 递归特征消除 (RFE) 确定了关键的血液学参数,SHAP值评估了它们的重要性.
- 随机森林和主动学习 (AL) 分别用于分类和增强模型性能.
主要成果:
- 四个CBC参数 (MCH,MCV,HGB,RDW) 在分类微细胞瘤类型方面取得了超过80%的准确性.
- 模型准确性稳定在90%左右,附加了额外的参数,表明回报率正在下降.
- 鉴定出了针对α-thalassemia,β-thalassemia,delta/β-thalassemia,缺铁性贫血和健康个体的明显集群,其中α-thalassemia显示了子集群.
结论:
- 使用ML和CBC数据对微细胞瘤的自动差异诊断表明,诊断准确性不仅仅取决于参数的数量.
- 拟议的ML模型可以有效地将新病例分类为已建立的微细胞菌群和子群.
