利用机器学习和代谢组学数据对干眼病患者和健康对照组进行分类
原文中文,约300字,阅读约需1分钟。发表于: 。通过代谢组学数据,使用 9 种机器学习模型对白内障患者进行干眼病的诊断与预测,结果显示逻辑回归模型表现最佳,达到了最高的 0.8378 的曲线下面积得分、0.735 的平衡准确率、0.5147 的 Matthew 相关系数、0.8513 的 F1 得分和 0.5667 的特异性,其次是 XGBoost 和随机森林模型。
评估了4种生物标志物选择方法和4种机器学习分类器,发现现代方法在性能上优于逻辑回归。在特异性固定为0.9的情况下,机器学习方法的灵敏度为0.240(3个生物标志物)和0.520(10个生物标志物),逻辑回归的灵敏度为0.000(3个生物标志物)和0.040(10个生物标志物)。在允许较少生物标志物时,基于因果关系的方法表现最好,而在允许更多生物标志物时,单变量特征选择方法表现最好。