Машинное обучение в диагностике b-талассемии: как технологии помогают отличить заболевания крови

Анемия – одно из самых распространённых нарушений кроветворения, и её гипохромный микроцитарный тип встречается чаще всего. Однако диагностика её причин, таких как ?-талассемия (?-ТТ) и железодефицитная анемия (ЖДА), может быть сложной из-за схожих показателей в анализах крови. Исследователи предложили использовать машинное обучение для точного различения этих состояний.

В исследовании приняли участие 8106 пациентов: 3378 здоровых, 2696 с ЖДА и 2032 с ?-ТТ. Для обучения моделей использовали шесть параметров красных кровяных клеток: количество эритроцитов, уровень гемоглобина, средний объём эритроцита, среднее содержание гемоглобина в эритроците, концентрацию гемоглобина в эритроците и ширину распределения эритроцитов.

Были протестированы три алгоритма: экстремальный градиентный бустинг (XGB), случайный лес (RF) и нейронная сеть (NN). Все модели показали высокую точность (> 97%), но случайный лес оказался наиболее эффективным, достигнув 97,86% точности и 99,71% площади под кривой (AUC).

Алгоритмы выделили ключевые параметры для диагностики:

- Для XGB – среднее содержание гемоглобина в эритроците.

- Для RF – средний объём эритроцита.

- Для NN – уровень гемоглобина.

Эти данные показывают, что машинное обучение может стать мощным инструментом для диагностики ?-талассемии, оптимизации клинической работы и эффективного использования ресурсов в гематологии.

Источник: vk.com

Комментарии: