MS-MLB基准发布:基于全血RNA表达数据的多发性硬化症机器学习分类开源基准
摘要:arXiv最新研究提出MS-MLB(多发性硬化症机器学习基准),一个可复现的开源基准,用于基于全血RNA表达数据的MS与健康对照分类。该基准利用公共GSE17048队列,在共享且防泄漏的流水线下评估多种算法,包括嵌套交叉验证、独立分层留出集、bootstrap置信区间、ROC与PR分析、校准测量及探索性MS研究评分。在最终基准总结中,梯度提升在留出集上以MS研究评分93.83、AUC-ROC 0.989、灵敏度0.950、特异性0.778、F1分数0.927和Brier分数0.050排名第一。该基准是首个聚焦于GSE17048全血RNA表达数据的MS与健康对照分类的开源基准,并内置了外部模型提交路径。评分仅用于研究比较,未经临床验证。
概述
多发性硬化症(MS)的诊断通常依赖于临床评估、磁共振成像、实验室证据以及排除其他更佳解释。血液RNA表达数据可能包含疾病相关的免疫信号,但血液RNA分类器不能替代临床诊断。近日,arXiv上发布了一项新研究,提出了MS-MLB(Multiple Sclerosis Machine Learning Benchmark),一个可复现的开源基准,用于基于全血RNA表达数据的MS研究分类。
基准设计
MS-MLB利用公共GSE17048队列,将其转换为MS与健康对照的分类任务,并在共享且防泄漏的流水线下评估多种算法。该流水线包括:
- 嵌套交叉验证:确保模型选择和评估的独立性。
- 独立分层留出集:提供未触碰的测试数据,用于最终性能评估。
- Bootstrap置信区间:提供性能指标的统计可靠性。
- ROC与精确率-召回率分析:全面评估分类性能。
- 校准测量:评估预测概率的可靠性。
- 探索性MS研究评分:一个综合评分,用于排名算法。
实验结果
在最终基准总结中,梯度提升(Gradient Boosting)在留出集上以MS研究评分93.83排名第一,同时取得了AUC-ROC 0.989、灵敏度0.950、特异性0.778、F1分数0.927和Brier分数0.050的优异成绩。
贡献与意义
该研究的贡献在于提供了一个标准化的、可复现的基准,使研究人员能够在统一的评估协议下比较不同机器学习算法在MS分类上的表现。据作者称,这是首个聚焦于GSE17048全血RNA表达数据的MS与健康对照分类的开源基准,并内置了外部模型提交路径,便于社区参与。
局限性与展望
作者强调,该评分仅用于研究比较,未经临床验证。未来工作可能包括扩展至更多数据集、引入更多算法,以及探索与临床诊断的结合。
资源
基准代码已开源:https://github.com/duckyquang/MS-MLB
出处
本文基于arXiv论文(arXiv:2608.05196)撰写,原始链接:https://arxiv.org/abs/2608.05196
—— 完 ——主题标签: #机器学习 #多发性硬化症 #基准测试 #生物信息学 #开源
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区