Mesterséges intelligencia előrejelzése az akut hasnyálmirigy-gyulladás súlyosságára vonatkozóan

Retrospektív módon 1550 olyan beteget szűrtek ki, akiket 2010 októbere és 2020 februárja között követtek nyomon a Bezmialem Foundation University Gasztroenterológiai Klinikáján, és akiknél az atlantai kritériumok szerint AP-t diagnosztizáltak. A hiányzó adatokkal rendelkező 216 beteg eltávolítása után 1334 beteget vontunk be a vizsgálatba értékelés céljából.

1. Betegek demográfiai adatai; [életkor (yo), nem (férfi/nő), cigaretta/alkoholfogyasztás (igen vagy nem)], klinikai adatok; [magasság (centiméter), testtömeg (kilogramm), BMI (kg/m2-ben), diabetes mellitus és magas vérnyomás jelenléte (igen vagy nem)], az AP etiológiája, mint például epekő, alkohol stb., valamint laboratóriumi vizsgálatok a belépés első 24 órája; [CRP-szint (mg/dl, normál esetben: 0-5), BUN-szint (mg/dl, normál esetben; 9,8 - 20,1), kreatininszint (mg/dl, normál esetben; 0,57 - 1,11) , a leukociták száma (általában 4,5-11,0 × 109/L) és a hematokrit szint (%, normál esetben: 35,5-48%)], valamint a Balthazar tomográfiai pontozás [0: normál, 1: a hasnyálmirigy méretének növekedése, 2: gyulladásos elváltozások a hasnyálmirigy-szövetben és a peripancreas zsírszövetben, 3: szabálytalan szegélyű, egyetlen folyadékgyülem, 4: szabálytalan szegélyű 2 vagy több folyadékgyülem, 5-10 különböző fokú nekrózis)], rögzítésre kerül az excel fájlban.
2. A felülvizsgált Atlanta-pontszámokat a kórházi felvételt követő egy héten belül rögzítik enyhe, közepes és súlyos pontszámként. Az akut hasnyálmirigy-gyulladás során kialakult fertőzött hasnyálmirigy-nekrózis és szepszis súlyos akut hasnyálmirigy-gyulladásnak minősül, mivel az atlantai pontozás néhány problémája nem megfelelő. A betegség súlyosságát az atlantai pontszámok alapján értékelik. A mesterséges intelligencia vizsgálatának eredményeit pedig az atlantai pontozás eredményei alapján egyeztetik majd.
3. A szövődmények besorolása 0; nincs, 2; helyi szövődmények: pszeudociszta, tályog, nekrózis, trombózis és mesenterialis panniculitis, 3; szisztémás szövődmények: tüdő-, vese-, gasztrointesztinális és kardiovaszkuláris szövődmények, 4; vegyes súlyos szövődmények/komorbiditási helyzetek, 5: fertőző és szeptikus szövődmények.
4. Ezenkívül az invazív eljárások követelményei, mint például az endoszkópos ultrahang (EUS), az endoszkópos retrográd cholangiopancreatográfia (ERCP) (igen vagy nem), a kórházi tartózkodás időtartama (kevesebb, mint 10 nap vagy több mint 11 nap), az intenzív osztályra vonatkozó követelmények (jelen vagy nem) ), a jövőbeni AP-rohamok száma (egy hónapos kórházi felvétel utáni időtartamban, egy vagy több roham esetén) és a túlélés (halál, élve) is rögzítésre kerül.

A gépi tanulási algoritmus használatos: Gradient Boosted Ensemble Trees Trees. ("Greedy Function Approximation: A Gradient Boosting Machine", Jerome H. Friedman (1999)). Az adatkészlet 90%-10%-os arányban particionálva lett. 10% az érvényesítés, 90% pedig az AI gépi tanulás. A gépi tanulási rész 90%-a szintén két részre oszlik: 70%-a az AI-tanuláshoz, 30%-a pedig a tanulás teszteléséhez. Erre a célra 5-szörös rétegzett mintavételt alkalmaztak

A tanulmány mesterséges intelligencia módszerei

Az AI gépi tanuláshoz használt funkciók:

1. Nem: M/F
2. Kor: Folyamatos érték
3. Magasság (cm): Folyamatos érték
4. Súly (kg): Folyamatos érték
5. BMI csoportok: 1. csoport: ≤ 25 kg/m2; 2. csoport; 25-30 kg/m2; 3. csoport: >30,1 kg/m2
6. Cigaretta: 0; Nem, 1; Igen
7. Alkohol: 0; Nem, 1; Igen
8. Diabetes mellitus: 0; Nem, 1; Igen
9. Magas vérnyomás: 0; Nem, 1; Igen
10. Etiológia: 1; epeúti, 2; Alkohol, 3; hipertrigliceridémia, 4; hiperkalcémia, 5; gyógyszer, 6; veleszületett, 7; kriptogén, 8; endoszkópos retrográd cholangiográfia (ERCP), 9; furcsa sphincter diszfunkció (OSD), 10; rosszindulatúság, 11; intrapapilláris mucinosus neoplázia (IPMN), 12: primer szklerotizáló kolangiográfia (PSC) 13: autoimmun, 14: többszörös etiológia
11. Leukocitaszám (WBC): N; 4,5-11x100
12. Hematokrit (Hct): N; %35,5-48
13. C-reaktív fehérje (CRP): N: 0-5 mg/dl
14. Vér karbamid-nitrogén (BUN): N: 9,8-20,1 mg/dl
15. Kreatinin (KREA): N: 0,57-1,11 mg/dl
16. Baltazar pontozás (BLTZR): 0; normál P, 1; A hasnyálmirigy méretének növekedése, 2; Gyulladásos változások a hasnyálmirigy-szövetben és a peripancreas zsírszövetben, 3; Szabálytalan szegélyű, egyetlen folyadékgyülem, 4, Szabálytalan szegélyű 2 vagy több folyadékgyülem, különböző fokú nekrózissal (5 és 10 között)

A mesterséges intelligencia területén a döntési fa modelleket széles körben használják felügyelt gépi tanuláshoz. Függhetnek a Gini-indextől, az erősítési aránytól/entrópiától, a khi-négyzettől, a regressziótól stb. Az AI-ban ezeket részesítik előnyben, mert érthető szabályokat generálnak az emberek számára, ellentétben más gépi tanulási algoritmusokkal, például a mesterséges neurális hálózatokkal és a támogató vektorgépekkel. Másrészt gyenge tanulónak tartják őket. Ez azt jelenti, hogy nagymértékben érintik őket az adatkészletben lévő zaj és kiugró értékek. Ennek a hátránynak a megkerülésére olyan modelleket fejlesztettek ki, mint a Random Forest, az Ensemble Trees, a Gradient Boosting.

A véletlenszerű erdő és az együttes fák úgy állítanak elő szabályokat, hogy egy bizonyos döntési fa-algoritmust alkalmaznak az adatkészlet függőleges és vízszintes részeire. Ez a technika drámaian csökkenti a tanulás során előforduló hibákat. Miután a tanulási folyamatok befejeződtek, a gyenge döntési fákat erős és nagyobb döntési famodellel kombinálják. Az együttes tanulási modellek jobb tanulást érnek el, ha a veszteségfüggvény átlagos értékét a képzési halmazon F ̂(x) közelítéssel minimalizálják. Az ötlet az, hogy egy legmeredekebb ereszkedési lépést alkalmazzunk a minimalizálási problémára mohó módon.

Ebben a tanulmányban a Friedman által javasolt gradiens boost fa modellt használták gépi tanuláshoz. Ez a modell külön optimális értéket választ a fa minden részéhez, nem pedig az egész fához. Ez a megközelítés használható az L(y, F) differenciálható veszteség minimalizálására a továbbítási fokozatonkénti additív modellezéssel együtt. A jelentések szerint a gradienst növelő famodell sok esetben felülmúlja a véletlenszerű erdőket és a hagyományos fák együttesét.

Az algoritmus célja egy olyan F_m (x_i) közelítés megtalálása, amely minimalizálja a várható L(y,F(x)) veszteségfüggvényt.

Az algoritmus a következőképpen foglalható össze:

Bemenetek:

Tanítási adatkészlet: {(x_i,y_i )} i=1-től n-ig, n dimenzióval és osztályváltozóval Differenciálható veszteségfüggvény: L(y,F(x)) Az iterációk száma: M.

Kimenet:

F_m (x_i)

Algoritmus:

Inicializálja a modellt állandó értékkel:

F_0 (x)=arg min⁡∑_(i=1)^n▒〖L(y_i,γ)〗

m = 1-től M-ig:

Pszeudomaradékok kiszámítása perem r_im=-[(∂L(y_(i,) F(x_i )))/(∂F(x_i))]

Tanítsd meg az alaptanulót pszeudo-maradványokra a képzési készlet segítségével:

{(x_i,y_i )} i=1 - n A γ γ=arg min⁡∑_(i=1)^n▒〖L(y_i,F_(m-1) (x_i )+γh_m (x_i )) szorzójának kiszámítása 〗

Frissítse a modellt:

〖F_m (x_i)=F〗_(m-1) (x_i )+γ_m h_m (x_i ) Kimenet F_m (x_i)

Az elemzés során a Synthetic Minority Oversampling Technique-t (SMOTE) [5] alkalmaztuk, hogy elkerüljük az osztályváltozók kiegyensúlyozatlanságából adódó hátrányokat. A SMOTE egy adatbővítési technika az adatok növelésére. Egyes esetekben előfordulhat, hogy az osztályváltozónak nem minden esetből azonos mennyiségű értéke van. Előfordulhat például, hogy sokkal több túlélő beteg van, mint azok, akik életüket vesztették. Ilyen helyzetben az adatok kibővülnek. Kiegyensúlyozatlanság volt az osztályváltozók között a tanulmány adatkészletében. Tehát a SMOTE-t a kisebbségi osztályok számának növelésére alkalmazták a képzésben.

Az adatkészlet 90%-10%-os arányban particionálva lett. 10% az érvényesítés, 90% pedig az AI gépi tanulás. A gépi tanulási rész 90%-a szintén két részre oszlik: 70%-a az AI-tanuláshoz, 30%-a pedig a tanulás teszteléséhez. Erre a célra 5-szörös rétegzett mintavételt alkalmaztak. A KNIME elemző platformot használták az AI gépi tanuláshoz.