GraftIQ: A Hybrid Multi-Class Neural Network Integrating Clinical Insight for Multi-Outcome Prediction in Liver Transplant Recipients
Notice bibliographique
Résumé
ABSTRACT Background and Aims Liver transplant recipients (LTRs) are at risk of developing graft injury, leading to cirrhosis and reduced survival. Liver biopsy remains the gold standard method for the diagnosis of graft pathology but is invasive and risky. Our study aimed to develop a novel hybrid multi-class neural network (NN) model ‘GraftIQ’ integrating clinician expertise for non-invasive diagnosis of graft pathology. Methods Graft injury diagnosis was based on liver biopsies from LTRs (1992-2020). Demographic, clinical, and laboratory data from the 30 days before biopsy were used to train a multi-class NN model to classify biopsies into six categories. The dataset was split into 70% training and 30% test sets, with external validation on additional biopsies from 2020-2024. To enhance predictive capabilities, clinician expertise was integrated with neural network predictions using Bayesian fusion to combine clinician-provided probabilities with data-driven outcomes. Results Our dataset comprises 5,217 biopsies categorized into six graft etiology groups. In response to findings from expert versus machine implementation analysis, Bayesian fusion of clinical expertise and NN predictions enhanced predictive performance. GraftIQ (MulticlassNN + clinical insight) achieved an overall AUC of 0.902 (95% CI: 0.884, 0.919), improving from an AUC of 0.885 using the NN alone. Robustness validated through 10-fold internal cross-validation and external validation, showed AUC improvements of 10-16% compared to conventional machine learning approaches. Conclusion Our multi-class neural network model demonstrates high accuracy in predicting common causes of graft pathology. Through the integration of clinician expertise, we observed an improvement in its performance, affirming the effectiveness of GraftIQ as a valuable clinical decision support tool. Availability of code https://github.com/divya031090/multiclassNN
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».