自动机器学习和可解释的AI (AutoML-XAI) 用于代谢学:改善癌症诊断

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 数据科学数据科学数据科学

背景情况:

• 代谢学数据很复杂,需要先进的计算方法来获得生物学见解.
• 机器学习 (ML) 是有前途的,但在算法选择和超参数调整方面面临挑战,特别是对于非专家而言.
• 自动机器学习 (AutoML) 可以简化机器学习,但解释性仍然是一个问题.

研究的目的:

• 开发和评估一个集成AutoML和可解释AI (XAI) 的统一管道,以优化代谢学分析.
• 解决ML算法选择和超参数调节在代谢学中的挑战.
• 提高对复杂的代谢学数据集应用的ML模型的解释性.

主要方法:

• 开发了一个管道,将AutoML (自动学习) 与XAI技术 (SHAP,布图,依赖图,决策图) 结合起来.
• 测试了细胞癌 (RCC) 和卵巢癌 (OC) 代谢学数据集的管道.
• 将AutoML性能与独立的ML算法 (如支持矢量机 (SVM)) 和随机森林进行比较.

主要成果:

• 自动ML (自动学习) 在将癌症类型与对照区分时优于独立的ML算法 (RCC的AUC为0.97,OC为0.85).
• SHAP确定了关键的歧视性代谢物:对于RCC而言是迪布提胺,对于OC而言是化物GM (d34:1).
• XAI技术提供了局部解释,代谢物相互作用和详细的错误分析,揭示了机械学的见解.

结论:

• 协调的AutoML和XAI管道简化了ML在代谢学中的应用.
• 该管道显著提高了复杂的代谢学数据的解释性.
• 这种方法有助于更准确,更易于理解的生物标志物发现,如RCC和OC等疾病.