用最先进的模型对优化后勤回归进行比较分析,用于复杂的胃肠道图像分析

科学领域:

• 胃肠病学 胃肠病学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 准确地分类胃肠 (GI) 息肉对于预防结肠直肠癌至关重要.
• 状息肉在诊断上具有挑战性,因为其与超塑性和腺瘤性病变的形态相似性.

研究的目的:

• 评估机器学习 (ML) 技术,以从结肠镜图像中对GI多进行多类分类.
• 为了比较物流回归 (LR) 与其他ML算法的性能.

主要方法:

• 通过分析88个配置,优化后勤回归 (LR).
• 通过使用网格搜索和交叉验证实现并调整k-Nearest Neighbors (kNN),支持矢量机 (SVM),随机森林 (RF) 和XGBoost.
• 使用了152个实例的数据集,其中有698个特征用于培训和评估.

主要成果:

• 最好的LR模型实现了70.39%的准确性,超过了医生基准.
• XGBoost表现出最高的性能,宏观平均F1得分为0.88和90%的准确性.
• 随机森林和SVM也显示出强的结果,表现优于kNN.

结论:

• 虽然物流回归 (LR) 提供了可解释性,但像XGBoost和Random Forest这样的组合方法为GI聚分类提供了更高的准确性和稳定性.
• 这些先进的ML模型适用于临床决策支持,特别是在数据有限的情况下.