ARTIFICIAL INTELLIGENCE-DRIVEN DIAGNOSIS OF b-THALASSEMIA MINOR & IRON DEFICIENCY ANEMIA USING MACHINE LEARNING MODELS: Artificial intelligence-driven diagnosis of b-thalassemia minor

Abstract

Позадина и циљеви: Анемија због недостатка гвожђа (ИДА) и β-тхалассемиа минор (БТМ) су два најчешћа узрока микроцитне анемије, и иако ова стања немају много симптома, диференцијална дијагноза са тестирањем крви је дуготрајна и скупа. . ЦБЦ се може користити за дијагнозу анемије, али без напредних техника не може разликовати анемију због недостатка гвожђа и БТМ. Ово чини диференцијалну дијагнозу ИДА и БТМ скупом процедуром јер захтева напредне технике за разликовање ова два стања.Ова студија има за циљ да развије модел за разликовање ИДА и БТМ користећи метод аутоматизованог машинског учења користећи само ЦБЦ податке. У овој студији, систем заснован на вештачкој неуронској мрежи је предложен да направи разлику између ова два услова Материјали и методе: Ова ретроспективна студија је укључила 396 субјеката, која се састоји од 216 ИДА и 180 БТМ. Рад је био подељен у три дела. Први део се фокусирао на индивидуалне ефекте хематолошких параметара на диференцијацију ИДА и БТМ. У другом делу разматрају се традиционалне методе које се користе у дијагностици и дискриминантни индекси. У трећем делу анализирани су модели развијени коришћењем вештачких неуронских мрежа (АНН) и стабала одлучивања и упоређени са методама коришћеним у прва два одељка Резултати: Резултати студије су представљени у три одељка. Први део резултата показује да су МЦВ и РБЦ најефикаснији предиктори у разликовању ова два стања, док други део резултата показује да су ефекти дискриминантних индекса на диференцијацију БТМ и ИДА слични. Међутим, коришћење Г&К и РДВИ уместо других дискриминантних индекса за БТМ и ИДА у великој мери повећава диференцијацију. Трећи део резултата открива да су модели машинског учења као што је АНН моћнији од традиционалних дискриминантних индекса Решење: У закључку, наши резултати показују да АНН метода има веће перформансе од постојећих метода. Иако су други приступи ефикасни, АИ може да предвиди присуство различитих варијанти хемоглобина боље од традиционалних статистичких приступа. Ова диференцијација је важна јер може имати важне медицинске импликације за негу пацијената, планирање породице и генетско саветовање у вези са здрављем. Модел неуронске мреже такође може уштедети време, коштати мање и обезбедити лакшу дијагнозу.