使用电化学免疫传感器数据的机器学习方法用于精确分类Opisthorchis viverrini感染
Nang Noon Shean Aye1,2, Sakda Daduang3, Patcharaporn Tippayawat2
1Biomedical Sciences Program, Graduate School, Khon Kaen University, Khon Kaen, 40002, Thailand.
Scientific reports
|December 3, 2025
概括
一个新的机器学习模型使用电化学生物传感器数据和患者信息准确检测Opisthorchis viverrini (OV) 感染. 这一突破有助于早期诊断和公共卫生管理这种食源性寄生虫疾病.
科学领域:
- 寄生虫学的寄生虫学
- 传染性疾病 传染性疾病
- 生物医学工程 生物医学工程
背景情况:
- 由 Opisthorchis viverrini (OV) 引起的 Opisthorchiasis 是东南亚一个重要的食物传播寄生动物性 zoonosis 疾病.
- 准确的OV感染分类对于有效的公共卫生干预和疾病管理至关重要.
研究的目的:
- 开发和验证可靠的机器学习 (ML) 分类模型,用于Opisthorchis viverrini (OV) 感染.
- 将电化学免疫传感器数据与患者状况特征集成,用于直观的OV感染分类.
主要方法:
- 使用电化学免疫传感器分析了来自OV阳性和OV阴性个体的531个尿样.
- 通过交叉验证评估六种不同的ML模型,包括决策树,AdaBoost和神经网络.
- 利用来自免疫传感器和患者状况特征的峰值电流数据进行模型训练.
主要成果:
- 决策树和AdaBoost分类器在OV感染分类中获得了最高的90.65%的准确性.
- 决策树模型显示了91%的F1得分,95%的灵敏度和83%的特异性.
- AdaBoost模型获得了90%的F1得分,94%的灵敏度和86%的特异性,表现出强大的性能.
结论:
- 拟议的ML模型整合了电化学生物传感器数据,为准确的OV感染分类提供了可靠的方法.
- 这种方法促进了早期诊断和决策,即使没有专家人员,也有助于在特有地区的疾病监测和控制.
- 这项研究强调了将生物传感器技术与ML相结合的潜力,以改善寄生虫动物传染病的管理.
