La estadificación de la fibrosis hepática se basa en el modelo de Optimización del Valle de Energía con Apilamiento Múltiple (EVO-MS)
Autores: Zhang, Xuejun; Chen, Shengxiang; Zhang, Pengfei; Wang, Chun; Wang, Qibo; Zhou, Xiangrong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
La estadificación de la fibrosis hepática se basa en el modelo de Optimización del Valle de Energía con Apilamiento Múltiple (EVO-MS)
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Fibrosis hepática
Tecnología de procesamiento de imágenes
Tecnología de apilamiento
Modelo EVO-MS
Máquina de Vectores de Soporte
Modelo de conjunto
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
Actualmente, la estadificación del grado de fibrosis hepática depende principalmente de la biopsia hepática, un método lleno de posibles riesgos, como sangrado e infección. Con el rápido desarrollo de dispositivos de imagen médica, la cuantificación de la fibrosis hepática a través de la tecnología de procesamiento de imágenes se ha vuelto factible. La tecnología de apilamiento es una de las técnicas de conjunto efectivas para un posible uso, pero ajustar precisamente para encontrar la configuración óptima manualmente es un desafío. Por lo tanto, este documento propone un nuevo modelo EVO-MS, un modelo de aprendizaje de conjunto de apilamiento múltiple optimizado por el algoritmo de optimización del valle de energía (EVO) para seleccionar las características más informativas para la cuantificación de la fibrosis. Los contornos hepáticos se perfilan a partir de 415 casos de TC probados con biopsia, a partir de los cuales se calculan 10 características de forma y se introducen en un clasificador de Máquina de Vectores de Soporte (SVM) para generar predicciones precisas, luego se aplica el algoritmo EVO para encontrar la combinación de parámetros óptima para fusionar seis modelos base: K-Vecinos Más Cercanos (KNNs), Árbol de Decisión (DT), Bayes Ingenuo (NB), Extreme Gradient Boosting (XGB), Gradient Boosting Decision Tree (GBDT) y Random Forest (RF), para crear un modelo de conjunto que funcione bien. Los resultados experimentales indican que la selección de 3-5 parámetros de características produce resultados satisfactorios en la clasificación, con características como la no uniformidad de redondez del contorno (Rmax), la altura máxima del pico del contorno (Rp) y la profundidad máxima del valle del contorno (Rm) influyendo significativamente en la precisión de la clasificación. El algoritmo EVO mejorado, combinado con un modelo de apilamiento múltiple, logra una precisión del 0,864, una precisión del 0,813, una sensibilidad del 0,912, una especificidad del 0,824 y un puntaje F1 de 0,860, lo que demuestra la efectividad de nuestro modelo EVO-MS en la estadificación del grado de fibrosis hepática.
Descripción
Actualmente, la estadificación del grado de fibrosis hepática depende principalmente de la biopsia hepática, un método lleno de posibles riesgos, como sangrado e infección. Con el rápido desarrollo de dispositivos de imagen médica, la cuantificación de la fibrosis hepática a través de la tecnología de procesamiento de imágenes se ha vuelto factible. La tecnología de apilamiento es una de las técnicas de conjunto efectivas para un posible uso, pero ajustar precisamente para encontrar la configuración óptima manualmente es un desafío. Por lo tanto, este documento propone un nuevo modelo EVO-MS, un modelo de aprendizaje de conjunto de apilamiento múltiple optimizado por el algoritmo de optimización del valle de energía (EVO) para seleccionar las características más informativas para la cuantificación de la fibrosis. Los contornos hepáticos se perfilan a partir de 415 casos de TC probados con biopsia, a partir de los cuales se calculan 10 características de forma y se introducen en un clasificador de Máquina de Vectores de Soporte (SVM) para generar predicciones precisas, luego se aplica el algoritmo EVO para encontrar la combinación de parámetros óptima para fusionar seis modelos base: K-Vecinos Más Cercanos (KNNs), Árbol de Decisión (DT), Bayes Ingenuo (NB), Extreme Gradient Boosting (XGB), Gradient Boosting Decision Tree (GBDT) y Random Forest (RF), para crear un modelo de conjunto que funcione bien. Los resultados experimentales indican que la selección de 3-5 parámetros de características produce resultados satisfactorios en la clasificación, con características como la no uniformidad de redondez del contorno (Rmax), la altura máxima del pico del contorno (Rp) y la profundidad máxima del valle del contorno (Rm) influyendo significativamente en la precisión de la clasificación. El algoritmo EVO mejorado, combinado con un modelo de apilamiento múltiple, logra una precisión del 0,864, una precisión del 0,813, una sensibilidad del 0,912, una especificidad del 0,824 y un puntaje F1 de 0,860, lo que demuestra la efectividad de nuestro modelo EVO-MS en la estadificación del grado de fibrosis hepática.