您现在的位置是:主页 > 加密货币 > 新闻频道
比特派官网下载钱包|NASH 诊断的突破:机器学习在早期检测中显示出前景
2024年01月31日最新新闻1人已围观
在一项突破性的发展中,机器学习技术在基于临床数据和血液参数,特别是 NAFLD 活动评分 (NAS) 的非酒精性脂肪性肝炎 (NASH) 早期诊断方面显示出巨大潜力。这项有前途的研究标志着非侵入性和精确 NASH 诊断的重大飞跃,消除了对肝活检等侵入性手术的需要。
非酒精性脂肪肝病(NAFLD)的全球患病率已达到惊人水平,影响了世界四分之一以上的人口。 NAFLD 与肝脏相关死亡和心血管死亡风险增加密切相关,使其成为紧迫的公共卫生问题。此外,NAFLD 可进展为 NASH,这是一种以炎症、肝细胞损伤和纤维化为特征的更严重的疾病。及早发现 NASH 至关重要,因为未经治疗的病例可能导致肝硬化、肝癌和心血管疾病。
传统上,肝活检一直是诊断 NASH 的金标准。然而,这是一种侵入性手术,具有潜在的并发症,包括内出血。此外,诊断的准确性通常取决于病理学家的专业知识。为了应对这些挑战,超声波、CT 扫描和 MRI 等非侵入性方法已经被开发出来,但仍然受到人类解释和限制。
利用临床数据和机器学习
该研究强调了利用临床数据和血液检测结果的重要性,这些数据很容易获得,并且减轻了患者的负担。配备临床和实验室数据的机器学习模型正在成为疾病诊断的强大工具。这些算法可以分析数据中的复杂关系,以提供快速可靠的估计,帮助医疗保健专业人员做出明智的决策。
这项研究的独特之处在于其综合方法。该研究没有依赖一组有限的分类器,而是探索了广泛的机器学习算法,包括支持向量机 (SVM)、随机森林、AdaBoost、LightGBM 和 XGBoost。对每个分类器都进行了精心的超参数调整,优化了它们的性能。
为了确保研究结果的可信度,研究人员采用了严格的评估策略——进行 100 多次重复的留一交叉验证。这种方法最大限度地降低了机器学习研究中常见挑战——过度拟合的风险,并提高了结果的可靠性。
识别预测特征
为了确定 NASH 最具预测性的特征,该研究采用了各种特征选择方法,例如顺序前向选择 (SFS)、卡方、方差分析 (ANOVA) 和互信息 (MI)。这些技术有助于细化输入数据,提高机器学习模型的准确性。
在机器学习分类器中,随机森林成为表现最好的分类器,再加上 SFS 特征选择和十个精心挑选的特征。它的准确度高达 81.32%,灵敏度为 86.04%,特异性为 70.49%,精密度为 81.59%,F1 分数为 83.75%。
这项研究标志着 NASH 诊断革命性的重要一步。通过将机器学习算法与临床数据和血液参数结合使用,医疗保健专业人员可以尽早识别 NASH,从而及时进行干预并降低严重并发症的风险。
该研究强调非侵入性诊断方法,强调了最大限度地减少与肝活检等侵入性手术相关的风险和不适的潜力。相反,临床医生可以依靠现成的患者数据,使 NASH 诊断更容易,减轻患者的负担。
Tags:
最近更新
点击排行
本栏推荐
标签云
-
Metis
Layer1
Supply
跨链
Zircuit
Jet Protocol
马斯克
稀有聪
Arbitrum
Bybit
PoW
Ethena Labs
WLD
Berachain
Bitpie
代币经济学
BTC
Merlin Chain
Mt.Gox
骗局
SOL
Uniswap
什么是DePIN
PoL
STRK
递归铭文
隐私
人工智慧
债权
衍生品
Gas Hero
比特币NFT
Layer0
Baseline
Hinton
Su Zhu
Launchpad
DA
RGB协议
Solana Saga
主网
Trader Joe
ZK-EVM
OpenSea
数据加密
专访
MicroStrateg
灰度资本
RWA
黑客