一个基于血液学指标的优化机器学习模型,用于非侵入性地识别baicalin在肺高血压中的治疗作用

科学领域:

• 心脏病学和计算生物学
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 肺高血压 (PH) 是一种严重的疾病,需要进行非侵入性监测.
• 目前评估PH治疗疗效的方法有限.
• 早期发现和治疗评估对于改善患者的治疗结果至关重要.

研究的目的:

• 开发一种新的机器学习模型,用于非侵入性地评估Baicalin在肺高血压 (PH) 中的治疗效果.
• 为了确定主要的血液学指标预测PH和响应Baicalin治疗.
• 为了提高模型性能,增强元启发式优化算法.

主要方法:

• 开发了一个新的优化算法,RGBA (基于随机梯度的优化算法),集成基于精英的随机步行策略 (ERWS) 和精英指导策略 (EGS).
• 在基于包装的特征选择框架 (bRGBA-KELM) 中创建二进制RGBA (bRGBA) 与内核极端学习机器 (KELM) 分类器相结合.
• 将bRGBA-KELM模型应用于小鼠PH数据集,用于预测和生物标志物识别.

主要成果:

• 在基准测试中,RGBA算法表现出优越的全球搜索能力,与最先进的元启发式算法相比.
• bRGBA-KELM模型在PH数据集上实现了97.43%的预测准确度,超过了其他九种混合模型.
• 确定了四个关键的血液生物标志物:红细胞计数 (RBC),血红蛋白 (HGB),平均体积 (MCV) 和血红素 (HCT),这些与PH相关,并由Baicalin调节.

结论:

• 对于复杂的问题,RGBA算法提供了一个强大的优化工具.
• bRGBA-KELM模型为早期PH预测和治疗评估提供了一种临床可行的非侵入性方法.
• 常规的血液学指标可以作为监测PH和治疗反应的有效生物标志物.