自动咳分析用于检测非小细胞肺癌
概括
自动咳分析显示了早期非小细胞肺癌 (NSCLC) 检测的前景. 机器学习模型,特别是CNN,可以区分NSCLC患者和健康个体,有助于肺癌查.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 呼吸系统医学 呼吸系统医学
背景情况:
- 早期发现非小细胞肺癌 (NSCLC) 对于改善患者存活率至关重要.
- 需要新的非侵入性查工具来促进早期NSCLC诊断.
- 自动咳分析为预先查肺癌提供了潜在的途径.
研究的目的:
- 研究使用机器学习自动咳分析的有效性,以区分NSCLC患者与健康对照.
- 为了比较各种机器学习算法的性能,包括SVM,XGBoost和CNNs,用于基于咳的NSCLC检测.
- 评估跨人口群体的模型解释性和公平性.
主要方法:
- 从227名受试者 (NSCLC患者和健康对照) 获得咳录音.
- 应用机器学习技术:支持矢量机器 (SVM),XGBoost,卷积神经网络 (CNN) 和转移学习 (VGG16).
- 使用Shapley添加式解释 (SHAP) 进行模型解释性和评估公平性,使用年龄和性别之间的均等赔率差异.
主要成果:
- 卷积神经网络 (CNN) 在测试组中获得了最高的精度 (0.83).
- 支持矢量机 (SVM) 展示了具有竞争力的性能 (0.78精度) 和适合低资源设置.
- SHAP分析提高了SVM模型的透明度;公平性分析表明年龄和性别之间存在较小的差异.
结论:
- 由机器学习驱动的自动咳分析显示出作为NSCLC预先查的非侵入性工具的巨大潜力.
- CNNs提供卓越的性能,而SVM提供了一个可行的替代方案,具有增强的可解释性.
- 需要对更大,更多样化的数据集进行进一步的研究,以验证和完善这些发现,以便临床应用.
