可解释的人工智能 (XAI) 预测甲醇中毒患者需要输管治疗:一项比较深度和机器学习模型的研究
Khadijeh Moulaei1, Mohammad Reza Afrash2, Mohammad Parvin3
1Department of Health Information Technology, School of Paramedical, Ilam University of Medical Sciences, Ilam, Iran.
Scientific reports
|July 8, 2024
概括
与深度学习模型相比,机器学习模型,特别是Random Forest和XGBoost在预测甲醇中毒患者的输管需求方面表现出卓越的表现. 使用可解释的AI技术来识别关键的预测特征.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 毒理学 毒理学 毒理学
背景情况:
- 甲醇中毒会带来重大风险,包括潜在的死亡,如果不及早预测输管需要.
- 人工智能 (AI),包括机器学习 (ML) 和深度学习 (DL),为预测关键患者结果提供了有希望的解决方案.
研究的目的:
- 评估可解释的人工智能 (XAI),用于预测甲醇中毒患者的输管必要性.
- 在这个预测任务中比较各种ML和DL模型的性能.
- 确定影响输管治疗需要的关键临床特征.
主要方法:
- 用八种ML (SVM,XGB,DT,RF) 和DL (DNN,FNN,LSTM,CNN) 模型分析了897名甲醇中毒患者的病历.
- 应用十倍交叉验证和超参数调整,以防止过拟合.
- 使用SHAP和LIME进行模型解释.
- 使用准确性,特异性,灵敏性,F1得分和ROC曲线指标进行性能评估.
主要成果:
- 机器学习模型在所有评估指标中都表现优于深度学习模型.
- 随机森林 (RF) 实现了最高的准确性 (97.0%) 和特异性 (100%).
- XGBoost表现出最高的灵敏度 (99.37%),F1得分 (98.27%) 和ROC (96.08%).
- 输管的主要预测因素包括入院时的GCS,ICU入院,年龄,叶酸治疗持续时间,BUN和AST水平,VBG_HCO3和血液透析.
结论:
- 可解释的人工智能有效地预测了甲醇中毒患者的输管必要性.
- 机器学习模型,特别是RF和XGBoost,在临床预测任务中优于DL模型.
- 这些发现支持将ML模型纳入用于甲醇中毒管理的临床决策.
