基于智能数据和机器学习的尿液检验解释性报告探索

【作者】 杨大干；

【机构】 浙江大学附属第一医院；

【摘要】 目的 :尿液检验只提供简单报告,需医生解读。人工智能迅速发展,本文研究智能数据和机器学习算法在尿液检验解释性报告中的应用。方法:收集约360万尿检数据,建立智能数据,包括:统计每个项目不同结果的频数分布建立人群分布;根据数据分布、项目重要性和结果异常程度,建立每个样本的健康指数和各项目的异常等级。收集糖尿病(6650例)、肾炎(3383例)、肾病综合征(6650例)等9种疾病数据,按性别、年龄匹配同数量的健康对照组。用Python建立人工神经网络、决策树、随机森林等6种机器学习算法,建立诊断模型并评估算法性能。用JAVA开发数据展示软件。结果 :每个样本能分为正常(96-100分)、异常(86-95)、疾病(51-85)、危重(0-50)4个等级;项目结果能判断为正常(0)、轻度(1)、中度(2)、重度(3)、极度(4)5个等级和提供人群分布;疾病取5种模型预测概率的中位数,不同疾病和算法模型的敏感度>81.87%,特异性>70.85%。开发的JAVA软件展示上述结果,并包括病历和结果、历史结果、患者教育等内容。结论 :基于人工智能的技术能实现解释性报告,是尿液检验结果解释的一种新方法。更多还原