一个可解释的非侵入性混合机器学习框架,用于准确预测甲状腺刺激激素水平

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习
• 内分泌学 在内分泌学.

背景情况:

• 机器学习模型越来越多地用于医疗保健中的生物标志物预测.
• 非侵入性诊断技术对于改善疾病诊断至关重要.
• 没有研究探索完全的非侵入性方法来预测甲状腺刺激激素 (TSH) 水平.

研究的目的:

• 引入一种全新的,完全非侵入性的框架来预测TSH水平.
• 开发一种创新的混合机器学习模型,平衡性能,复杂性和可解释性.
• 为预测其他生物标志物建立一个可概括的框架.

主要方法:

• 评估了七个机器学习 (ML) 模型,并将表现最好的模型集成到混合方法中.
• 利用来自约旦的6190例数据集,结合了四维的非侵入性因素.
• 采用LIME和SHAP解释器用于模型可解释性和特征选择技术.

主要成果:

• 混合模型实现了R2的94.2%和RMSE的0.015,显示出优异的预测性能.
• 综合症状得分,家族病史和特定症状被确定为关键预测因素.
• 功能选择减少了模型的复杂性,提高了性能.

结论:

• 开发的混合ML模型为TSH水平预测提供了一个高度准确和可解释的非侵入性方法.
• 该模型可以促进为甲状腺疾病开发具有成本效益的诊断工具.
• 该框架是强大的,可以适应在不同的医疗保健环境中预测其他生物标志物.