SynthA1c：面向糖尿病风险分层的临床可解释患者表征
机器学习
2023-07-31 v2 人工智能
图像与视频处理
定量方法
摘要
2型糖尿病(T2DM)的早期诊断对于实现及时的治疗干预和生活方式调整至关重要。随着临床门诊就诊时间的缩短以及医学影像数据的日益普及，患者的影像数据可被机会性地用于由医生对额外T2DM诊断检查进行分诊识别。我们研究了是否可以在表格学习分类器模型中利用影像衍生的表型数据，以自动化方式预测T2DM风险，从而标记高风险患者而无需额外的血液实验室检测。与传统二分类器不同，我们利用神经网络和决策树模型将患者数据表示为“SynthA1c”潜变量，其模拟血液糖化血红蛋白A1c经验实验室测量值，灵敏度高达87.6%。为评估SynthA1c模型对其他患者群体的泛化能力，我们引入了一种新颖的可泛化度量，该度量使用普通数据增强技术来预测模型在域外协变量输入上的性能。我们表明，影像衍生表型与体格检查数据相结合，可准确预测糖尿病风险，以此作为由人工智能和医学影像赋能的机会性风险分层手段。我们的代码可在 https://github.com/allisonjchae/DMT2RiskAssessment 获取。
引用
@article{arxiv.2209.10043,
title = {SynthA1c: Towards Clinically Interpretable Patient Representations for Diabetes Risk Stratification},
author = {Michael S. Yao and Allison Chae and Matthew T. MacLean and Anurag Verma and Jeffrey Duda and James Gee and Drew A. Torigian and Daniel Rader and Charles Kahn and Walter R. Witschey and Hersh Sagreiya},
journal= {arXiv preprint arXiv:2209.10043},
year = {2023}
}
备注
12 pages. Accepted to PRIME MICCAI 2023