
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于少样本学习的克罗恩病初诊严重程度评估决策支持框架
《Journal of Translational Medicine》:Few-shot learning for expert consensus severity stratification in newly diagnosed crohn’s disease
【字体: 大 中 小 】 时间:2026年10月10日 来源:Journal of Translational Medicine 9.7
编辑推荐:
摘要背景早期准确评估疾病严重程度对于标准化初诊克罗恩病的基线风险分层并支持治疗规划具有重要意义。目的本研究利用电子病历数据、少样本学习算法及基于SHAP的可解释性分析,开发了一个决策支持框架,用于标准化克罗恩病初诊时基于专家共识的横断面严重程度标签。方法纳入厦门大学中山医院1
早期准确评估疾病严重程度对于标准化初诊克罗恩病的基线风险分层并支持治疗规划具有重要意义。
本研究利用电子病历数据、少样本学习算法及基于SHAP的可解释性分析,开发了一个决策支持框架,用于标准化克罗恩病初诊时基于专家共识的横断面严重程度标签。
纳入厦门大学中山医院106例新诊断克罗恩病患者的电子病历数据。基于专家共识参考标签构建了三种少样本学习模型:度量学习、匹配网络和原型网络。为实现标准化评估,每个训练好的特征嵌入主干网络后接一个在训练集嵌入上拟合的逻辑回归分类器,并应用于相应的验证折。通过SHapley可加性解释(SHAP)值及皮尔逊相关分析识别关键特征。评估了不同特征组合下的模型性能(准确率、宏平均F1及AUC),并在时间独立的单中心验证队列(n?=?23)中进行了初步评估。
在嵌套交叉验证中,原型网络表现出最高的平均宏平均F1(0.817),其次为匹配网络(0.812)和度量学习(0.796)。在下游特征消融分析中重点强调了原型网络。在移除CTE衍生特征后,原型网络在时间独立的单中心验证队列中对轻度和中度疾病仍保持了可接受的AUC,但重度类别的AUC降至0.842,表明CTE衍生结构信息对重度克罗恩病仍具有重要意义。
该基于原型网络的少样本学习框架初步展现了复现克罗恩病初诊时专家共识横断面严重程度分层的能力。由于部分相同的临床信息既用于参考标签也用于模型预测变量,其性能估计仍存在纳入偏差,需要在更大独立队列中进行进一步评估。
早期准确评估疾病严重程度对于标准化初诊克罗恩病的基线风险分层并支持治疗规划具有重要意义。
本研究利用电子病历数据、少样本学习算法及基于SHAP的可解释性分析,开发了一个决策支持框架,用于标准化克罗恩病初诊时基于专家共识的横断面严重程度标签。
纳入厦门大学中山医院106例新诊断克罗恩病患者的电子病历数据。基于专家共识参考标签构建了三种少样本学习模型:度量学习、匹配网络和原型网络。为实现标准化评估,每个训练好的特征嵌入主干网络后接一个在训练集嵌入上拟合的逻辑回归分类器,并应用于相应的验证折。通过SHapley可加性解释(SHAP)值及皮尔逊相关分析识别关键特征。评估了不同特征组合下的模型性能(准确率、宏平均F1及AUC),并在时间独立的单中心验证队列(n?=?23)中进行了初步评估。
在嵌套交叉验证中,原型网络表现出最高的平均宏平均F1(0.817),其次为匹配网络(0.812)和度量学习(0.796)。在下游特征消融分析中重点强调了原型网络。在移除CTE衍生特征后,原型网络在时间独立的单中心验证队列中对轻度和中度疾病仍保持了可接受的AUC,但重度类别的AUC降至0.842,表明CTE衍生结构信息对重度克罗恩病仍具有重要意义。
该基于原型网络的少样本学习框架初步展现了复现克罗恩病初诊时专家共识横断面严重程度分层的能力。由于部分相同的临床信息既用于参考标签也用于模型预测变量,其性能估计仍存在纳入偏差,需要在更大独立队列中进行进一步评估。