基于机器学习二分类方法利用临床数据发现肝脏疾病
机器学习
2021-06-08 v2 机器学习
应用统计
摘要
在医学诊断中,健康专业人员使用各类病理手段就患者健康状况出具医学报告决策。现代社会中,借助计算机与技术优势,人们可收集数据并从中揭示诸多隐藏结果。基于特定问题的统计机器学习算法可辅助决策。数据驱动的机器学习算法可用于验证现有方法并助研究者提出潜在新决策。本文采用链式方程多重插补处理缺失数据,并用主成分分析降维。为揭示显著发现,实施了数据可视化。我们提出并比较了多种二分类机器学习算法(人工神经网络、随机森林、支持向量机),用于将患肝炎、肝纤维化与肝硬化的献血者与非献血者分类。对 UCI-MLR [1] 发布的数据,应用上述技术以寻找更优分类方法,辅助实验室健康专业人员决策。所提 ML 方法展现出更优准确率(如 SVM 达 98.23%),从而提升了分类质量。
引用
@article{arxiv.2104.12055,
title = {Machine Learning Approaches for Binary Classification to Discover Liver Diseases using Clinical Data},
author = {Fahad B. Mostafa and Md Easin Hasan},
journal= {arXiv preprint arXiv:2104.12055},
year = {2021}
}