机器学习分类器对老鼠慢性肝病预测的比较分析

科学领域:

• 生物医学研究的研究.
• 计算生物学是一种计算生物学.
• 兽医医学 兽医医学 兽医医学

背景情况:

• 在临床前模型中,慢性肝病 (CLD) 的分期通常依赖于组织病理学.
• 在实验大鼠中开发非侵入性CLD分期方法对于高效的研究至关重要.

研究的目的:

• 研究机器学习 (ML) 模型,以使用非侵入性生物标志物预测大鼠的CLD阶段.
• 建立基于ML的可靠框架,用于在临床前研究中实时监测CLD.
• 为了减少对肝脏疾病的鼠标模型的组织病理学评估的依赖.

主要方法:

• 收集了从前临床研究中收集的数据,这些研究涉及乙胺 (TAA) 诱导的小鼠肝病.
• 选择的特征包括TAA剂量,肝酶 (AST,ALT) 和其他生物标志物.
• 通过分层的k-fold交叉验证,训练和评估了六个ML分类器 (KNN,决策树,随机森林,SVM,XGBoost,CatBoost).

主要成果:

• CatBoost分类器实现了最高的预测准确性 (99.3%) 和AUC为0.999.
• 该ML模型在区分纤维化,肝硬化和肝细胞癌 (HCC) 中表现出高灵敏度和特异性.

结论:

• ML分类器为预测实验大鼠的CLD阶段提供了一个有希望的,非侵入性的替代方案.
• 将ML集成到临床前研究中可以提高实验的重复性和优化研究设计.
• 这种方法减少了对侵入性组织病理学评估的需求.