在自动化尿液分析中增强淋巴细胞出血的识别,使用光梯度增强机器模型:一种诊断准确性研究
Rongrong Wang1, Jia Xu1, Jing Jin1
1Department of Clinical Laboratory, State Key Laboratory of Complex Severe and Rare Diseases, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Annals of laboratory medicine
|December 17, 2025
概括
一个新的LightGBM模型显著改善了在尿液分析中检测球血 (GH) 的性能. 与自动化系统相比,这种机器学习方法提高了准确性和灵敏度,有助于更早地诊断疾病.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的机器学习
背景情况:
- 像UF-5000这样的自动化尿液分析系统难以准确识别淋巴细胞出血症 (GH).
- 对GH的错误分类可能会延迟潜在脏疾病的诊断.
- 开发更好的GH检测方法对于及时和准确的患者护理至关重要.
研究的目的:
- 开发和验证一种机器学习模型,以使用自动化尿液分析数据增强检测球血 (GH).
- 将开发模型的性能与现有的自动化系统和其他机器学习算法进行比较.
- 通过可解释的AI技术,确定可预测GH的关键尿路参数.
主要方法:
- 分析了5444个尿液样本的数据集,这些尿液样本具有阳性隐性血液结果.
- 样品被手动分为非球体血 (NGH),GH,混合血和非血组.
- 来自UF-5000和UC-3500分析器的65个参数被用于训练和比较LightGBM,XGBoost,随机森林和物流回归模型.
- 使用10倍交叉验证和独立测试集验证了LightGBM模型.
主要成果:
- 与UF-5000系统 (16%的验证,11%的测试) 相比,LightGBM模型实现了显著更高的GH识别精度 (44%的验证,37%的测试).
- 对于GH检测的灵敏度从0.3 (UF-5000) 增加到0.7 (LightGBM).
- 沙普利添加剂测量发现的关键预测参数包括红细胞计数,前向散射峰值和尿蛋白水平.
结论:
- 一个可解释的基于LightGBM的模型大大改善了质血 (GH) 的自动识别.
- 该模型显示出作为准确分类血源的工具的巨大潜力.
- 这些发现表明,尿液分析在诊断脏疾病方面取得了有前途的进展.
