基于主成分分析的深度前馈神经网络的肾小球滤过率估算算法

目的 提出一种基于主成分分析(principal component analysis, PCA)的深度前馈神经网络(deep feedforward neural network, DFNN),建立一个适用于中国慢性肾脏病(chronic kidney disease, CKD)人群的肾小球滤过率(glomerular filtration rate, GFR)估算模型,并探讨其在慢性肾脏病患者肾小球滤过率估算中的应用。方法 受试者为2019年5月—2021年1月就诊于安徽医科大学第二附属医院,排除年龄<18岁的肾功能不稳定,服用甲氧苄啶或西咪替丁或接受透析后的163例患者。本研究以~(99m)Tc-DTPA肾动态显像测定GFR为标准,建立主Baricitinib成分分析的深度前馈神经网络(deep feedforward neural network, DFNN)模型,以此估算GFR,同时将估算GFR结果与传统CG方程和BP神经网络估算结果进行对比分析。结果 通过PCA-DFNN-1神经网络训练出来的估算模型的15%符Dynamic membrane bioreactor合率、30%符合率、50%符合率分别为38.77%、55.1%、75.5%;ROC曲线下面积为0.845;Youden指数为0.58。结论 提出的基于主成分分析的深度前馈神经网络模型有优于CG方程和BP神经网络模型的结果,可以用于估selleck AG-221算GFR。