Ritka vérbetegségek megkülönböztetését segíti az új AI-módszer

Az orvosi diagnosztika terén új fejezetet nyithat a gépi tanulás alkalmazása a ritka vérbetegségek, az úgynevezett kriopátiák azonosításában. A diagnózisok közötti jelentős átfedés és a ritka kategóriák miatt szakértői tudást igénylő feladatot most gépi tanulási módszerekkel próbálták automatizálni.

A diagnosztika kihívásai

A kriopátia szindrómák osztályozása rendkívül nehézkes, mivel a laboratóriumi leletek gyakran hasonló mintázatot mutatnak különböző diagnózisok esetén. Ez megnehezíti a krioglobulin-tesztek rutinszerű értelmezését, és növeli a szakértői véleményekre való támaszkodást. A kutatók célja egy olyan gépi tanulási megközelítés kifejlesztése volt, amely automatizálja a diagnózist a laboratóriumi adatok alapján, és gyakorlati segítséget nyújt a klinikai döntéshozatalban.

Kapcsolódó: klinikai beszédfelismerés

Tizenkét modell versengett a pontosságért

A tanulmányban 2686 páciens laboratóriumi adatait elemezték, amelyeket 14 különböző diagnosztikai kategóriába soroltak. Az adatok között szerepeltek demográfiai változók, krioglobulin-mérések, csapadékvizsgálatok, valamint hemagglutinin és hemolizin titer értékek. A kutatók 12 különböző modellezési stratégiát értékeltek ki, köztük Random Forest, Gradient Boosted Trees és Multi-Layer Perceptron (MLP) típusú modelleket, valamint lágy szavazó (soft-voting) ensemble-okat és osztálykiegyenlítési technikákat, mint a Synthetic Minority Over-sampling Technique (SMOTE). A teljesítményt több metrikával mérték, beleértve a makro-átlagolt F1-pontszámot és a Top-3 pontosságot.

Kapcsolódó: biomedicinai AI látás

A fák alapú modellek dominanciája

Az eredmények szerint a fák alapú módszerek, különösen a Random Forest és a Gradient Boosted Trees kombinációja, bizonyultak a leghatékonyabbnak a multiclass teljesítmény tekintetében. Ezek a modellek felülmúlták a neurális hálót (MLP). A jellemzők mérnöki munkája, különösen a krioglobulin-alapú interakciós jellemzők beépítése, markánsan javította a megkülönböztetőképességet, ezek bizonyultak a leginformatívabb prediktoroknak. A kutatók szerint a módszer általánosíthatósága korlátozott lehet más klinikai környezetekben, mivel az eredmények egyetlen adatkészleten alapulnak.

Kapcsolódó: bizonytalan diagnózis

A kutatás eredményei előnyomtatott formában érhetők el az arXiv repozitóriumban.

Kapcsolódó: talajvíz-szennyezés