使用可解释的机器学习方法预测与代谢功能障碍相关的脂肪性肝病
Yihao Yu1, Yuqi Yang2,3, Qian Li2,3
1Master of Finance, Australian National University, Canberra, Australia.
Scientific reports
|April 11, 2025
概括
开发精确的机器学习模型有助于早期识别与代谢功能障碍相关的脂肪性肝病 (MASLD). 这种可解释的10个特征随机森林模型显示了MASLD风险的高预测性能.
科学领域:
- 肝病学 肝病学是一种肝病学.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 与代谢功能障碍相关的脂肪性肝病 (MASLD) 需要早期识别才能有效管理.
- 准确的风险预测对于预防疾病进展和改善患者结果至关重要.
研究的目的:
- 开发和验证一种可解释的机器学习 (ML) 模型,用于预测成人MASLD.
- 为了确定MASLD风险评估的关键临床特征.
主要方法:
- 一项国家横截面研究利用了来自13,436名参与者的数据 (2017-2020年NHANES).
- 通过使用50个易于获得的医疗特征,训练和验证了6个ML算法.
- 为了特征选择和模型可解释性,使用了递归特征消除和沙普利添加式扩展.
主要成果:
- 随机森林 (RF) 模型实现了最高的预测性能.
- 一个最佳的10个特征的射频模型在内部和外部验证队列中表现出极好的歧视 (AUC:0.928,0.918).
- 开发的模型表现优于传统的MASLD风险指标.
结论:
- 一个可解释的,有10个特征的射频模型成功地开发和验证了MASLD预测.
- 该模型使用随时可用的临床数据提供了高准确性和可解释性.
- 这种工具可以帮助早期的MASLD风险分层和临床决策.
