基于心内膜心肌活检标本的心肌病诊断模型：小样本数据中的合适特征空间与类边界
机器学习
2025-10-23 v1 人工智能
计算机视觉与模式识别
摘要
随着心力衰竭患者数量的增加，在病理学家短缺的推动下，机器学习 (ML) 在心肌病诊断中受到了关注。然而，心内膜心肌活检标本通常是小样本数据，需要特征提取和降维等技术。本研究旨在确定纹理特征是否对心肌病病理诊断中的特征提取有效。此外，通过将特征选择 (FS) 和降维压缩 (DC) 应用于几种 ML 模型，考察了有助于提高泛化性能的模型设计。通过可视化类间分布差异并基于纹理特征进行统计假设检验，验证了所获得的结果。此外，还通过不同模型设计（FS 和 DC 的不同组合应用与否）和决策边界下的预测性能对结果进行了评估。所得结果证实，纹理特征可能对心肌病的病理诊断有效。此外，当特征与样本量的比例较高时，涉及 FS 和 DC 的多步骤过程提高了泛化性能，其中线性核支持向量机取得了最佳结果。无论决策边界是线性的、曲线的、垂直的还是平行于坐标轴，该过程都被证明对降低复杂度的模型具有潜在有效性。这些发现有望促进有效的心肌病诊断模型的开发，以使其迅速应用于医疗实践。
引用
@article{arxiv.2503.11331,
title = {Cardiomyopathy Diagnosis Model from Endomyocardial Biopsy Specimens: Appropriate Feature Space and Class Boundary in Small Sample Size Data},
author = {Masaya Mori and Yuto Omae and Yutaka Koyama and Kazuyuki Hara and Jun Toyotani and Yasuo Okumura and Hiroyuki Hao},
journal= {arXiv preprint arXiv:2503.11331},
year = {2025}
}