5种机器学习算法在肾结石筛查诊断中的应用及比较

目的 通过收集尿液骨桥蛋白(OPN)、pH、白细胞和结晶的实验室检测结果,构建机器学习(ML)模型,评估模型对肾结石的筛查诊断价值.方法 选择2021年12月至2022年8月佛山复星禅诚医院就诊的肾结石患者88例为研究对象(肾结石组),采用"金标准"确诊,合并CT、超声检测和临床症状等手段辅助鉴定,同时纳入8 8例非结石患者作为对照组,按照5折交叉验证随机分为训练集和验证集.收集研究对象尿OPN、pH、白细胞、结晶及临床诊断信息,构建逻辑回归(LR)、决策树(DT)、随机森林(RF)、支持向量机(SVM)和AdaBoost共5种诊断模型,验证集中评价其诊断效能.结果 采用二元logistic回归从研究对象尿OPN、pH、白细胞、结晶4个指标中筛选出白细胞、结晶2个诊断效率较高的指标,构建ML模型.验证集中各模型的诊断性能如下:(1)LR,精确度0.882 4,召回率0.340 9,F1值0.491 8,受试者工作特征曲线(ROC曲线)下面积(AUC)为 0.722 4;(2)DT,精确度 0.662 2,召回率 0.556 8,F1 值 0.604 9,AUC 为 0.679 4;(3)RF,精确度0.666 7,召回率 0.613 6,F1 值 0.639 1,AUC 0.700 2;(4)SVM,精确度 0.822 2,召回率 0.420 5,F1 值0.556 4,AUC 为 0.727 1;(5)AdaBoost,精确度 0.729 7,召回率 0.613 6,F1 值 0.666 7,AUC 为 0.715 5,其中AdaBoost的肾结石诊断效能最佳.结论 收集尿OPN、pH、白细胞和结晶检测结果,构建基于ML并具有可解释性的鉴别诊断模型,对肾结石的筛查诊断有一定的临床应用意义.