自动机器学习和可解释的人工智能 (AutoML-XAI) 用于代谢学:改善癌症诊断
Olatomiwa O Bifarin1, Facundo M Fernández1,2
1School of Chemistry and Biochemistry, Georgia Institute of Technology, Atlanta, Georgia 30332, United States.
概括
自动机器学习 (AutoML) 与可解释AI (XAI) 结合,改善了用于癌症检测的代谢学分析. 这一管道提高了分类的准确性,并提供了对细胞癌和卵巢癌的关键代谢物的可解释的见解.
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.
- 代谢学 数据分析 数据分析
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,但在非专家的算法选择和超参数调整方面面临挑战.
- 自动机器学习 (AutoML) 可以简化ML应用,但解释性仍然是一个问题.
研究的目的:
- 开发和验证一个集成AutoML和可解释AI (XAI) 的统一管道,以进行优化的代谢学分析.
- 提高癌症代谢学ML模型的分类性能和可解释性.
- 在细胞癌 (RCC) 和卵巢癌 (OC) 中识别关键的歧视性代谢物.
主要方法:
- 实施一个管道,将Auto-sklearn (AutoML) 与可解释的AI (XAI) 技术,如SHAP结合起来.
- 测试管道上的尿液代谢基因数据RCC和血清代谢基因数据OC.
- 使用SHAP用于全球特征重要性,布图为局部解释,代谢物相互作用的依赖图和错误分析的决策图.
主要成果:
- 自动学习在将癌症类型与对照区分方面超过了独立的ML算法 (SVM,k-NN),RCC的AUC分数为0.97,OC的AUC分数为0.85.
- SHAP确定了迪布提胺和化物GM ((d34:1) 作为RCC和OC的关键歧视性代谢物.
- XAI技术揭示了代谢物相互作用,并提供了详细的错误分析,增强了对模型预测的理解.
结论:
- 集成的AutoML和XAI管道有效地简化了ML在代谢学中的应用,同时显著提高了模型的解释性.
- 这种方法促进了强大的生物标志物发现,并从复杂的代谢学数据集中增强了生物洞察力.
- 该管道提供了一个强大的工具,通过在瘤学中数据驱动的代谢物分析来推进精密医学.
