一个可解释的机器学习辅助的诊断模型,用于儿童的川崎病
Mengyu Duan1,2, Zhimin Geng1, Lichao Gao1
1National Clinical Research Center for Child Health, National Children's Regional Medical Center, Children's Hospital, Zhejiang University School of Medicine, Hangzhou, China.
Scientific reports
|March 6, 2025
概括
这项研究开发了一种可解释的机器学习模型,以帮助早期诊断川崎病 (KD). 该模型实现了高准确度,帮助临床医生区分KD与类似条件.
科学领域:
- 儿科风湿病学 儿科风湿病学
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 川崎病 (KD) 是一种严重的儿科血管炎,由于非特异性症状,早期诊断具有挑战性.
- 在KD的诊断延迟可能导致严重的心脏并发症.
- 由于缺乏特定的生物标志物,需要先进的诊断工具.
研究的目的:
- 开发一种可解释的机器学习 (ML) 模型,用于准确和早期诊断川崎病.
- 通过提供透明可靠的诊断辅助来加强临床决策.
- 为了区分KD与其他类似表现的发烧性疾病.
主要方法:
- 利用来自3650名患者的人口和实验室数据 (2299名KD,1351名对照).
- 应用了10ML算法,选择XGBoost以获得最佳性能.
- 使用SHAP (夏普利添加式解释) 来确定特征的重要性和模型可解释性.
- 使用Streamlit. developed开发了一个用户友好的Web应用程序.
主要成果:
- XGBoost模型实现了高诊断性能,其AUC为0.9833.
- 发现的关键诊断特征包括以月计的年龄,纤维素原和人类干扰素gamma.
- 该模型在使用前10个功能时也保持了强的性能 (AUC 0.9757).
- 该模型的可解释性增强了临床医生的信任和理解.
结论:
- 一个可解释的ML模型显示了改善川崎病早期和准确诊断的重大前景.
- 该模型通过SHAP分析的透明度有助于临床采用和可靠性评估.
- 这种工具可以帮助临床医生区分KD,潜在地减少诊断错误并改善患者的治疗结果.
