用于检测狭窄与动脉瘤的机器学习：在生理真实虚拟患者数据库中的应用
机器学习
2021-08-03 v2 医学物理
摘要
本研究展示了机器学习（ML）方法用于检测人体动脉系统中狭窄与动脉瘤的应用。考虑了四种主要动脉疾病——颈动脉狭窄（CAS）、锁骨下动脉狭窄（SAC）、外周动脉疾病（PAD）和腹主动脉瘤（AAA）。ML 方法在一个包含 28,868 名健康受试者的生理真实虚拟患者数据库（VPD）上训练和测试，该数据库改编自作者先前工作并扩充以纳入四种疾病形式。比较了六种 ML 方法——朴素贝叶斯、逻辑回归、支持向量机、多层感知机、随机森林和梯度提升——的分类准确率，发现基于树的随机森林和梯度提升方法优于其他方案。ML 方法的性能通过 F1 分数以及灵敏度和特异度的计算来量化。当使用全部六项测量时，发现 CAS 和 PAD 的最大 F1 分数大于 0.9，SAS 大于 0.85，低严重度与高严重度 AAA 均大于 0.98。相应的灵敏度和特异度在 CAS 和 PAD 中大于 90%，在 SAS 中大于 85%，在低和高严重度 AAA 中均大于 98%。当减少测量数量时，发现使用三项测量时性能下降小于 5%，仅使用两项测量进行分类时下降小于 10%。对于 AAA，表明仅使用单项测量即可实现大于 0.85 的 F1 分数以及相应的大于 85% 的灵敏度和特异度。这些结果令人鼓舞，可推动通过可可靠测量压力或流速的可穿戴设备进行 AAA 监测与筛查。
引用
@article{arxiv.2103.00599,
title = {Machine learning for detection of stenoses and aneurysms: application in a physiologically realistic virtual patient database},
author = {Gareth Jones and Jim Parr and Perumal Nithiarasu and Sanjay Pant},
journal= {arXiv preprint arXiv:2103.00599},
year = {2021}
}
备注
Changelog: Added a bullet point in the discussion (end of section 3.3)