Identification of Pulmonary Hypertension Animal Models Using a New Evolutionary Machine Learning Framework Based on Blood Routine Indicators.
Identification of Pulmonary Hypertension Animal Models Using a New Evolutionary Machine Learning Framework Based on Blood Routine Indicators.
复制标题
使用基于血常规指标的新型进化机器学习框架识别肺动脉高压动物模型
DOI：
10.1007/s42235-022-00292-z
复制
发表时间：
2023
影响因子：
4
通讯作者：
Wu, Peiliang
中科院分区：
文献类型：
--
作者：
Hu, Jiao;Lv, Shushu;Zhou, Tao;Chen, Huiling;Xiao, Lei;Huang, Xiaoying;Wang, Liangxing;Wu, Peiliang
肺动脉高压（PH）是一个全球性的健康问题，影响全球约1%的人口。PH的动物模型在揭示疾病的病理生理机制中起着至关重要的作用。提出了一种基于改进的Whale优化算法（WOA）的核极端学习机（KELM）模型，用于PH小鼠模型的预测。实验结果表明，所选血液指标包括血红蛋白（HGB）、红细胞压积（HCT）、平均值（Mean）、血小板体积（MPV）、血小板分布宽度（PDW）和血小板-大细胞比值（P-LCR），这些指标是利用本文提出的特征选择方法识别PH小鼠模型所必需的。值得注意的是，该方法实现了100.0%的准确性和100.0%的特异性分类，表明我们的方法有很大的潜力，用于评估和识别小鼠PH模型。
Pulmonary Hypertension (PH) is a global health problem that affects about 1% of the global population. Animal models of PH play a vital role in unraveling the pathophysiological mechanisms of the disease. The present study proposes a Kernel Extreme Learning Machine (KELM) model based on an improved Whale Optimization Algorithm (WOA) for predicting PH mouse models. The experimental results showed that the selected blood indicators, including Haemoglobin (HGB), Hematocrit (HCT), Mean, Platelet Volume (MPV), Platelet distribution width (PDW), and Platelet–Large Cell Ratio (P-LCR), were essential for identifying PH mouse models using the feature selection method proposed in this paper. Remarkably, the method achieved 100.0% accuracy and 100.0% specificity in classification, demonstrating that our method has great potential to be used for evaluating and identifying mouse PH models.
登录
查看更多内容
影响因子：
8.5
作者：
Ayyoubzadeh, Seyed Mohammad;Ayyoubzadeh, Seyed Mehdi;Kalhori, Sharareh R. Niakan
通讯作者：
Kalhori, Sharareh R. Niakan
影响因子：
4.4
作者：
Boos, Christopher J.;Beevers, Gareth D.;Lip, Gregory Y. H.
通讯作者：
Lip, Gregory Y. H.
老龄化领导者和挑战者的粒子群优化
影响因子：
14.3
作者：
Chen, Wei-Neng;Zhang, Jun;Shi, Yu-Hui
通讯作者：
Shi, Yu-Hui
影响因子：
1.6
作者：
Arslan, Derya;Cimen, Derya;Oran, Bulent
通讯作者：
Oran, Bulent
影响因子：
37.8
作者：
Chen J;Sysol JR;Singla S;Zhao S;Yamamura A;Valdez-Jasso D;Abbasi T;Shioura KM;Sahni S;Reddy V;Sridhar A;Gao H;Torres J;Camp SM;Tang H;Ye SQ;Comhair S;Dweik R;Hassoun P;Yuan JX;Garcia JGN;Machado RF
通讯作者：
Machado RF