Sep, 2023

可解释的机器学习预测糖尿病肾病模型

PDF
TL;DR通过机器学习方法分析血清代谢物对糖尿病肾病（DN）的影响，预测 DN 的患病率。使用 Least absolute shrinkage and selection operator（LASSO）回归模型和 10-fold 交叉验证选择了最佳特征，通过 AUC-ROC 曲线、决策曲线和校准曲线比较了四种机器学习算法。使用 Shapley Additive explanations（SHAP）方法量化了最佳预测模型中的特征重要性和交互效应。XGBoost 模型在筛选 DN 方面表现最佳，AUC 值最高为 0.966，且相比其他模型具有更多的临床净收益和更好的拟合度。此外，血清代谢物与糖尿病持续时间之间存在显著的相互作用。通过 XGBoost 算法开发了用于筛选 DN 的预测模型，C2、C5DC、Tyr、Ser、Met、C24、C4DC 和 Cys 在模型中具有重要贡献，有可能成为 DN 的生物标志物。
diabetic nephropathymachine learningserum metabolitesxgboostbiomarkers
发现论文，激发创造
  • 2 型糖尿病患者微量白蛋白尿风险早期检测的监督学习模型

    该研究开发了一个监督学习模型，用于预测 T2DM 患者发展尿白蛋白风险，并发现多层感知器（MLP）相较于其他算法表现出更高的准确度和 F1 分数，适用于 T2DM 患者尿白蛋白的筛查目的。

    Sep, 2023

  • 高风险心血管患者慢性肾脏病预测的可解释机器学习系统

    开发了一个可解释的机器学习系统，用于预测有心血管风险的患者中的慢性肾脏病，在全球解释性框架、生物医学相关性和安全性评估等方面具有突出优势。

    Apr, 2024

  • 机器学习技术在预测糖尿病方面的表现分析

    该研究主要使用机器学习技术，从糖尿病患者的诊断医疗数据中提取知识，探索与疾病相关的各种风险因素，并使用四种流行的机器学习算法来预测糖尿病患者，结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。

    Jan, 2019

  • 基于集成学习和可解释人工智能的 AI 驱动的慢性肾脏病早期预后预测分析方法

    使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值，提高对该疾病早期预测和检测的准确性，为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。

    Jun, 2024

  • 利用机器学习和代谢组学数据对干眼病患者和健康对照组进行分类

    通过代谢组学数据，使用 9 种机器学习模型对白内障患者进行干眼病的诊断与预测，结果显示逻辑回归模型表现最佳，达到了最高的 0.8378 的曲线下面积得分、0.735 的平衡准确率、0.5147 的 Matthew 相关系数、0.8513 的 F1 得分和 0.5667 的特异性，其次是 XGBoost 和随机森林模型。

    Jun, 2024

  • LSTM 神经网络与传统机器学习模型在预测糖尿病患者再入院方面的比较分析

    该研究使用了 Diabetes 130-US Hospitals 数据集，利用各种传统机器学习模型（如 XGBoost、LightGBM、CatBoost、决策树和随机森林）进行分析和预测了糖尿病患者的再入院情况，并通过自主开发的 LSTM 神经网络进行对比。研究结果显示，LightGBM 是最佳的传统模型，而 XGBoost 位居第二，LSTM 模型在训练准确性较高的情况下存在过拟合问题。研究还使用了 SHAP 值提高了模型的解释性，并指出了实验结果中影响再入院预测的重要因素，如实验室过程数量和出院安排。该研究表明，在预测性医疗模型中，模型选择、验证和解释性是关键步骤，有助于医疗服务提供者设计干预措施，提高糖尿病患者的随访遵从性和管理效果。

    Jun, 2024

  • 安全和隐私保护的自动化端到端整合 IoT-Edge - 人工智能 - 区块链监测系统，用于糖尿病预测

    提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型，通过比较实验结果表明，与逻辑回归和支持向量机等现有机器学习方法相比，该模型使用随机森林算法平均预测精度提高了 4.57％，但执行时间较长。

    Nov, 2022

  • 初期慢性肾脏疾病（CKD）检测：新型混合特征选择方法和适用于不同 ML 技术的稳健数据准备流程

    应用机器学习方法，使用 KNN Imputation 处理缺失值，采用 SMOTE 处理数据不平衡，集成多种算法，其中随机森林模型可以在不泄漏数据的情况下以 100% 的准确率检测慢性肾脏疾病。

    Mar, 2022

  • 早期阿尔茨海默病分类的机器学习工作流程，用于解释黑盒模型并在多个数据集上进行评估

    通过对 Shapley 值的解释，研究了极端梯度提升、随机森林和支持向量机等黑盒模型，以及决策树、逻辑回归等可直观解释的模型在早期阿尔茨海默病（Alzheimer's Disease, AD）检测上的应用。结果表明，模型的性能因评估的不同数据集而异。ADNI 和 AIBL 数据集的分类性能得到了显著提高，认知测试分数训练的模型表现出更好的性能，而大脑体积训练的模型表现较差。

    May, 2022

  • 深度学习在糖尿病诊断中的应用

    利用传感器技术和机器学习，我们提出了一种基于批归一化的反向传播神经网络（BPNN）的非侵入性糖尿病诊断方法，通过数据重采样和标准化实现类别平衡，实验结果显示相对传统方法在整体准确度、敏感度和特异度上具有显著提高，特别是在 Pima 糖尿病数据集中达到了 89.81% 的准确度，在 CDC BRFSS2015 数据集中达到了 75.49% 的准确度，在 Mesra 糖尿病数据集中达到了 95.28% 的准确度，凸显了深度学习模型在稳健糖尿病诊断方面的潜力。

    Mar, 2024