Accurate Classification of Pediatric Colonic Inflammatory Bowel Disease Subtype Using a Random Forest Machine Learning Classifier
Notice bibliographique
Résumé
BACKGROUND: The pediatric inflammatory bowel disease (PIBD) classes algorithm was developed to bring consistency to labelling of colonic IBD, but labels are exclusively based on features atypical for ulcerative colitis (UC). AIM: The aim of the study was to develop an algorithm and identify features that discriminate between pediatric UC and colonic Crohn disease (CD). METHODS: Baseline clinical, endoscopic, radiologic, and histologic data, including the PIBD class features in 74 colonic IBD (56: UC, 18: colonic CD) patients were collected. The PIBD class features and additional features common to UC were used to perform initial clustering, using similarity network fusion (SNF). We trained a Random Forest (RF) classifier on the full dataset and used a leave-one-out approach to evaluate model accuracy. The top-features were used to build a new classifier, which we tested on 15 previously unused patients. We then performed clustering with SNF on the top RF features and assessed ability to discriminate between UC and colonic-CD independent of a supervised model. RESULTS: The initial SNF clustering with 58 patients demonstrated 2 groups: group 1 (n = 39, 90% UC) and group 2 (n = 19, 68% colonic-CD). Our RF classifier correctly labelled 97% of the 58 patients based on leave-one-out cross validation and identified the 7 most important features (3 histological and 4 endoscopic) to clinically distinguish these groups. We trained a new RF classifier with the top 7 features and found 100% accuracy in a set of 15 held-out patients. Finally, post hoc clustering with these 7 features revealed 2 groups of patients: group 1 (n = 55, 98% UC) and group 2 (n = 18, 94% colonic-CD). CONCLUSIONS: A combination of supervised and unsupervised analyses identified a short list of features, which consistently distinguish UC from colonic CD. Future directions include validation in other populations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».