基于机器学习和代谢组学数据的干眼病患者与健康对照分类
计算机视觉与模式识别
2024-08-08 v2
摘要
干眼病是一种常见的角膜表面疾病，导致患者求助于就医诊疗。目前使用的临床体征和症状用于诊断干眼病。代谢组学作为一种分析生物系统的方法，被发现对识别患者中不同的代谢物以及检测可能指示干眼病早期阶段的代谢轮廓有帮助。在本研究中，我们探索了使用机器学习和代谢组学信息来识别哪些类晕疱患者患有干眼病。由于不存在一种适用于代谢组学数据的通用机器学习模型，选择最合适的模型会显著影响预测质量和随后的代谢组学分析。为解决这一挑战，我们对九种机器学习模型在三个来自有无干眼病类晕疱患者的代谢组数据集上进行了比较分析。这些模型使用嵌套k折交叉验证进行评估和优化。为了评估这些模型的性能，我们选取了适合数据集挑战的评估指标集合。Logistic回归模型总体上表现最佳，实现了最高的ROC曲线下面积得分0.8378，平衡准确率为0.735，马丁相关系数为0.5147，F1得分为0.8513，特异度为0.5667。此外，遵循Logistic回归，XGBoost和随机森林模型也表现出良好的性能。
关键词
引用
@article{arxiv.2406.14068,
title = {Classifying Dry Eye Disease Patients from Healthy Controls Using Machine Learning and Metabolomics Data},
author = {Sajad Amouei Sheshkal and Morten Gundersen and Michael Alexander Riegler and Øygunn Aass Utheim and Kjell Gunnar Gundersen and Hugo Lewi Hammer},
journal= {arXiv preprint arXiv:2406.14068},
year = {2024}
}