基于多模态数据整合与机器学习的心力衰竭分类模型研究

摘要

目的 旨在研发一种新型的多模态数据整合与特征选择的机器学习算法，从而建立更精确、稳健的心力衰竭分类模型，为临床诊断实践提供生物学层面的新见解。方法 本研究基于R语言研发了一种新型的多模态数据整合与特征选择的机器学习算法，并将它命名为MIMOSA(Multi-modal Integrative Machine Optimization and Selection Algorithm),该算法能够将临床表型数据与蛋白质组学数据等多模态高维数据进行有效处理，LASSO回归、逻辑回归、支持向量机(SVM)以及随机森林被整合于算法之中，用以实现多模态特征筛选与分类建模。本研究纳入了88例临床前瞻性样本，其中包括心衰组(n=58)和对照组(n=30);采用重复Holdout验证，通过1 000次随机划分训练集(80%)与验证集(20%),来评估、优化模型的泛化能力，确保了模型在不同数据分布下的稳健性。结果 MIMOSA算法成功筛选出NT-proBNP、P-sel及PDGF-A等多种生物标志物，这些标志物显示出了与心力衰竭的显著相关性。实例表明，通路分析结果揭示了上述标志物在炎症反应、纤维化及血栓形成等病理过程中的关键作用。通过MIMOSA算法构建的随机森林模型在心力衰竭的分类中表现出优异的准确性(AUC=0.99),证明了该模型在临床应用中的可靠性。结论 本研究通过MIMOSA算法的创新应用，识别并验证了心力衰竭关键的生物标志物，并成功构建了具有高度准确性和稳定性的分类模型。这些发现为心衰的精准诊断提供了重要的理论参考与支持。

关键词

心力衰竭 / 生物标志物 / 多模态数据 / MIMOSA算法 / 分类模型

基金资助

北京市朝阳区科技计划项目(CYSF2218)