“2024新文速递二十”套路得人心的IgA肾病的文章,发了一个预警,学习下他的套路!

文摘   2024-07-18 00:00   美国  

套路式的文章,可以复制学习,但是没有自主创新,最后可能只能发预警期刊!

Machine learning-based diagnostic prediction of IgA nephropathy: model development and validation study

基于机器学习的IgA肾病诊断预测:模型开发和验证研究

发表日期:2024.05.30

期刊:Scientific Reports (预警期刊)

期刊IF:4.6

分区情况:JCR 2区,中科院2区 








Abstract

          

目的:IgA肾病发展为肾衰竭,因此早期发现非常重要。然而,明确的诊断取决于侵入性肾活检。本研究旨在利用机器学习开发IgA肾病的无创预测模型。

方法:我们收集了接受肾活检的患者的人口学特征、血液检查和尿液检查的回顾性数据。数据集分为衍生和验证队列,并进行时间验证。我们采用极端梯度增强(XGBoost)、LightGBM、随机森林(Random Forest)、人工神经网络(Artificial Neural Networks)和一维卷积神经网络(1D-CNN)五种机器学习模型和逻辑回归,通过接收者工作特征曲线下面积(AUROC)评估性能,并通过SHapley加性解释方法探索变量重要性。该研究包括1268名参与者,其中353名(28%)被诊断为IgA肾病。

结果:衍生队列中,LightGBM的AUROC最高,为0.913,显著高于logistic回归、人工神经网络和1D-CNN,与XGBoost和Random Forest差异不显著。在验证队列中,XGBoost的AUROC最高,为0.894 ,保持了其稳健性。

结论:确定的关键预测因素是年龄、血清白蛋白、IgA/C3和尿红细胞,与现有的临床见解一致。机器学习是治疗IgA肾病的一种有价值的非侵入性工具。    

          

看了摘要,这篇文章做了3个工作:1、收集了接受肾活检的患者的人口学特征、血液检查和尿液检查的回顾性数据 2、用了五种方法分析 3、并且用shapey经行重要因素排序







Introduction

                    

          

第①段:IgAN及早发现预后较好,否则很糟糕!

第②段:目前诊断标志物能力有限

第③段:做了一个简单的肾脏的预后综述,里面有一句话特别值得引用和学习“主要采用逻辑回归,这是一种假设线性关系的传统统计模型,因此限制了预测性能。先进的机器学习算法,能够建模非线性关系和复杂的相互作用,可以提高预测性能。”

第④段:本研究旨在基于患者人口统计学、血液检查和尿液检查,利用机器学习开发和验证IgAN的诊断预测模型,这些模型在临床实践中很容易获得。我们的另一个目标是表明,与传统的临床参数或传统的统计模型相比,机器学习模型可以成为一种非侵入性、高度准确和可靠的IgAN诊断方法。    







2 Materials and Methods

文章纳入的指标如图    

整个建模过程比较常规了,除了用常规的机器学习算法包括XGBoost、LightGBM和Random Forest、逻辑回归,并且还使用了ANN、1D CNN进行的,并且用Shapley做了重要因素排序。

3 Results

    





读后小结

这篇文章其他部分我就不展示了,主要是想和大家分享一下,目前通过非常常规的方法进行人工智能的文章书写已经卷的很厉害了,很难发到好的文章,当然这篇文章的主体思路很经典,完全可以套用到自己的很多研究里面去,但是该篇文章的病人数据条件纳入比较普通,前段时间,我们和肾脏学专家在一起交流,肾脏疾病尤其跟很多免疫细胞有特异性关联,这里如果能加入一些B、T淋巴细胞,甚至是浆母细胞等因素,一下子也可以把整个研究提升一个档次。

还有就是肾脏超声的形态本身也具有很高的诊断价值和意义,如果该篇文章弄成一个多模态融合的文章展示,或许也能取得更好地效果。         


          Pepper soup transformed by: Zheng TianLei   


G
励志寄语

上帝创造了整数,所有其余的数都是人造的。


                                                                                       





  //  

深度学习辣汤AI小组由徐州医科大学以及徐州医科大学附属医院一群热爱人工智能的小伙伴们组成,欢迎大家跟我们交流学习!


扫码关注我们

欢迎加入我们!

成员微信号:cy2011mcu

添加好友时请备注:

您的 单位-科室-姓名-研究方向



              



深度学习辣汤小组
AI学习日志,阅读相关文献,分享学习感悟,交流学习技巧,记录自我成长!
 最新文章