基于机器学习的多类模型用于通过指甲折叠视频毛囊镜检查的自身免疫性疾病诊断和分类.

科学领域:

• 类风湿病学 类风湿病学
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 类风湿性关节炎 (RA) 和全身性红斑狼 (SLE) 等自身免疫性疾病涉及微血管损伤.
• 爪视频毛细管显微镜 (NVC) 可视化毛细管的变化,提供潜在的诊断见解.
• 使用传统方法,区分这些条件和健康对照可能是具有挑战性的.

研究的目的:

• 开发和验证使用NVC图像特征区分控制,RA和SLE的预测模型.
• 确定每个组的关键NVC特征.
• 评估模型在分类这些不同的群体中的表现.

主要方法:

• 从396名参与者 (对照组,RA,SLE) 收集了600张NVC图像,并分为训练/测试组 (7:3比).
• 提取了九个NVC特征,并使用了极端梯度增强多分类模型.
• 用了SHapley添加式解释 (SHAP) 来确定特征的重要性和模型解释.

主要成果:

• 七个NVC特征在各组之间有显著差异;该模型实现了0.96 (训练) 和0.80 (测试) 的AUC.
• 关键特征包括乳头形状,红细胞聚合,毛细血管环数,交叉毛细血管环和亚毛细血管静脉 (SVP).
• 显而易见的NVC模式出现了:对照的乳头形状,RA的交叉毛细血管环,SLE的SVP.

结论:

• 一个强大的多分类模型被开发用于区分使用NVC特征的自身免疫疾病.
• 这些发现加深了对RA和SLE中微血管变化的理解.
• 该模型为临床诊断和对自身免疫性疾病的监测提供了一个潜在的工具.