Liver Cirrhosis Stage Prediction Using Machine Learning: Multiclass Classification

Das Kapitel befasst sich mit der Anwendung von maschinellen Lernalgorithmen zur Vorhersage von Leberzirrhosestadien, einem kritischen Gesundheitsproblem, von dem Millionen Menschen weltweit betroffen sind. Es unterstreicht den Einsatz von sieben maschinellen Lernalgorithmen - Random Forest, Logistic Regression, Support Vector Machine, K-Nearest Neighbors, Decision Tree, Naive Bayes und Artificial Neural Network - um Patienten in vier Stadien der Leberzirrhose zu klassifizieren. Die Studie konzentriert sich auf die Klassifizierung mehrerer Klassen auf einem unausgewogenen Datensatz, wobei Techniken zur Auswahl von Merkmalen wie Random Forest und eine Kombination von Random Forest mit gegenseitiger Information zum Einsatz kommen. Das Kapitel vergleicht die Leistung dieser Algorithmen anhand von Kennzahlen wie F1-Score und AUC-ROC und zeigt die überlegene Leistung des Künstlichen Neuronalen Netzwerks in Bezug auf AUC-ROC. Die Forschung schlägt außerdem eine neuartige Methode zur Auswahl von Merkmalen vor, die zufällige Waldbestände und gegenseitige Informationen kombiniert und ihre Wirksamkeit bei der Verbesserung der Klassifizierungsleistung demonstriert. Das Kapitel schließt mit Empfehlungen für zukünftige Forschung, einschließlich der Verwendung größerer Datensätze und der weiteren Validierung der vorgeschlagenen Methode zur Auswahl von Merkmalen.