KDClassifier: A urinary proteomic spectra analysis tool based on machine learning for the classification of kidney diseases

支持向量机 混淆矩阵 接收机工作特性 人工智能 人工神经网络 随机森林 稳健性(进化) 机器学习 计算机科学 分类器(UML) 模式识别(心理学) 生物 生物化学 基因
作者
Wanjun Zhao,Yong Zhang,Xinming Li,Yonghong Mao,Changwei Wu,Lijun Zhao,Fang Liu,Jingqiang Zhu,Jun Cheng,Hao Yang,Guisen Li
出处
期刊:Aging pathobiology and therapeutics [Ant Publishing]
卷期号:3 (3): 63-72 被引量:2
标识
DOI:10.31491/apt.2021.09.064
摘要

Background: We aimed to establish a novel diagnostic model for kidney diseases by combining artificial intelligence with complete mass spectrum information from urinary proteomics. Methods: We enrolled 134 patients (IgA nephropathy, membranous nephropathy, and diabetic kidney disease) and 68 healthy participants as controls, with a total of 610,102 mass spectra from their urinary proteomic profiles. The training data set (80%) was used to create a diagnostic model using XGBoost, random forest (RF), a support vector machine (SVM), and artificial neural networks (ANNs). The diagnostic accuracy was evaluated using a confusion matrix with a test dataset (20%). We also constructed receiver operating-characteristic, Lorenz, and gain curves to evaluate the diagnostic model. Results: Compared with the RF, SVM, and ANNs, the modified XGBoost model, called Kidney Disease Classifier (KDClassifier), showed the best performance. The accuracy of the XGBoost diagnostic model was 96.03%. The area under the curve of the extreme gradient boosting (XGBoost) model was 0.952 (95% confidence interval, 0.9307–0.9733). The Kolmogorov-Smirnov (KS) value of the Lorenz curve was 0.8514. The Lorenz and gain curves showed the strong robustness of the developed model. Conclusions: The KDClassifier achieved high accuracy and robustness and thus provides a potential tool for the classification of kidney diseases
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
FF发布了新的文献求助10
1秒前
小巧曲奇完成签到,获得积分10
1秒前
1秒前
77发布了新的文献求助10
1秒前
2秒前
leo完成签到 ,获得积分10
2秒前
3秒前
善良青筠完成签到,获得积分10
3秒前
刘欣完成签到,获得积分10
3秒前
4秒前
4秒前
sqdr2发布了新的文献求助10
5秒前
丹丹完成签到,获得积分10
5秒前
7777完成签到,获得积分20
5秒前
夏青完成签到 ,获得积分20
5秒前
竹筏过海应助畅快芝麻采纳,获得100
5秒前
q0w0q发布了新的文献求助10
6秒前
haoqio2333完成签到,获得积分10
6秒前
曾经的丹彤完成签到,获得积分10
6秒前
帅哥牛紫发布了新的文献求助10
6秒前
享邑发布了新的文献求助10
7秒前
hamster完成签到,获得积分10
7秒前
7秒前
8秒前
秀丽烨霖应助zcz采纳,获得10
8秒前
科研通AI2S应助风轩轩采纳,获得10
8秒前
科研通AI2S应助风轩轩采纳,获得10
8秒前
8秒前
Lucas应助77采纳,获得10
9秒前
汉堡包应助葡萄成熟采纳,获得10
9秒前
Jerrycrazy发布了新的文献求助10
9秒前
ice发布了新的文献求助10
10秒前
平常的无极完成签到,获得积分10
10秒前
jonnyzhao完成签到,获得积分10
10秒前
小杨发布了新的文献求助10
10秒前
张强发布了新的文献求助10
11秒前
haoqio2333发布了新的文献求助10
11秒前
psyYang完成签到,获得积分10
11秒前
xiax03发布了新的文献求助10
13秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3246357
求助须知:如何正确求助?哪些是违规求助? 2889803
关于积分的说明 8260259
捐赠科研通 2558277
什么是DOI,文献DOI怎么找? 1387089
科研通“疑难数据库(出版商)”最低求助积分说明 650461
邀请新用户注册赠送积分活动 626865