CACTUS：用于早期分期年龄相关性黄斑变性分类的可靠工具
机器学习
2025-06-19 v1 计算机视觉与模式识别
应用统计
摘要
机器学习 (ML) 被用于处理各种任务，如疾病分类和预测。ML 模型的有效性高度依赖于大量完整的数据。然而，医疗数据常常有限或不完整，这可能影响模型性能。此外，解决方案的可信度会因所用数据集而异。某些 ML 模型的缺乏透明性进一步复杂化了其理解和使用。在医疗领域，尤其是年龄相关性黄斑变性 (AMD)，该疾病影响数百万老年人，早期诊断至关重要，因为缺乏有效的治疗手段可逆转疾病进展。诊断 AMD 涉及评估视网膜图像以及患者症状报告。需要考虑遗传、饮食、临床和人口学因素的分类方法。最近，我们引入了 -综合抽象与分类工具用于探索结构-(CACTUS)，旨在提高 AMD 分期分类。CACTUS 提供可解释性和灵活性，优于标准 ML 模型。通过识别关键因素并提供结果可信度，CACTUS 增强了决策。CACTUS 识别的重要特征允许我们与现有医学知识进行比较。通过消除较不相关或偏差的数据，我们为临床工作场景创建了可供医生提供反馈并纠正偏差的环境。
引用
@article{arxiv.2506.14843,
title = {CACTUS as a Reliable Tool for Early Classification of Age-related Macular Degeneration},
author = {Luca Gherardini and Imre Lengyel and Tunde Peto and Caroline C. W. Klaverd and Magda A. Meester-Smoord and Johanna Maria Colijnd and EYE-RISK Consortium and E3 Consortium and Jose Sousa},
journal= {arXiv preprint arXiv:2506.14843},
year = {2025}
}