机器学习预测出血性脑卒中功能预后

摘要

出血性脑卒中是中国居民死亡和残疾的主要原因之一,预测功能预后并识别其影响因素,对临床治疗有指导意义.本文利用出血性脑卒中高维小样本数据,建立机器学习模型预测患者的预后三级分类:在22项临床指标上使用3种特征选择方法(US、 RFE-RF、 RFE-NB),在84项影像指标上使用3种降维方法(PCA、 MDS、 UMAP),比较不同特征选择和降维组合下7种机器学习分类器(LASSO/Ridge/ENet惩罚三项逻辑回归、 SVM、 RF、 XGBoost、 ANN)的预测表现(Accuracy、 F1、 Kappa、 HUM);然后使用Wilcoxon符号秩检验比较分类器的性能差异.结果发现:不考虑特征选择和降维时(基准),RF准确率最高;降维效果MDS最优,然后PCA优于UMAP;特征选择效果RFE-RF优于US和RFE-NB;LASSO和XGBoost经过特征选择或降维后预测准确率多数表现为上升;对优于基准RF准确率的组合进行Wilcoxon符号秩检验,UMAP+US+LASSO的Macro-F1和Weighted-F1优于基准RF,MDS23+SVM、 US+SVM、 RFE-RF+SVM和RFE-NB+SVM的HUM优于基准RF;临床数据3种特征选择方法共同选择的变量有低压、高低压比和糖尿病史.