关注心脏手术风险:一种可解释的机器学习方法,使用一种不确定性意识的注意力神经网络
Jahan C Penny-Dimri1, Christoph Bergmeir2,3, Christopher M Reid4
1Department of Surgery, School of Clinical Sciences at Monash Health, Monash University, Melbourne, Vic, Australia.
PloS one
|August 30, 2023
概括
这项研究引入了一个不确定性意识注意网络 (UAN),用于预测心脏手术并发症,改善解释性和处理缺失的数据. 新的UAN模型为医疗保健中的机器学习提供了增强的临床实用性.
科学领域:
- * 医学中的人工智能
- * 机器学习用于临床预测
- *心脏手术研究成果研究结果
背景情况:
- *目前用于预测心脏手术不良结果的机器学习 (ML) 模型缺乏可解释性,不确定性量化和缺乏数据的灵活性,阻碍了临床采用.
- *由于这些局限性,现有的模型往往无法转化为常规的临床实践.
研究的目的:
- * 开发和对一个新的不确定性意识注意网络 (UAN) 进行基准测试,以解决心脏手术当前ML模型的局限性.
- *将UAN性能与XGBoost和贝叶斯逻辑回归等既定方法进行比较,并结合贝叶斯不确定性量化.
主要方法:
- *开发了不确定性意识注意网络 (UAN),使用两个贝叶斯式不确定性量化方法:通用变量推理 (GVI) 和后置网络 (PN).
- *来自ANZSCTS心脏外科数据库的大型数据集 (153,932事件) 的培训和MIMIC-III重症监护数据集 (7343事件) 的外部验证.
- *对UAN与集合XGBoost和贝叶斯逻辑回归 (LR) 模型进行基准测试.
主要成果:
- *UAN-GVI模型在外部验证中获得了最高的性能,AUC为0.78 (0.01),在高可靠性样本上改善到0.81 (0.01).
- *在各种模型中观察到对形不确定性的优异校准;表观不确定性校准有所不同,XGBoost表现最好 (AUC 0.84 (0.08)).
- *与GVI相比,PN方法改善了认识体系的不确定性,UAN证明了可解释的预测与不确定性估计.
结论:
- * UAN模型提供了先进的预测,具有固有的可解释性和不确定性量化,克服了心脏外科手术当前ML方法的关键局限性.
- *开发的UAN作为Web应用程序提供,显示了深度学习在常规临床环境中更适合的潜力.
- *设计具有不确定性意识和可解释的ML模型对于推进其临床应用和改善患者护理至关重要.
