可解释的机器学习框架,通过结合生物年龄和脆弱性预测来发现生物标志物
1Univeristy of Michigan - Shanghai Jiao Tong University Joint Institute, Shanghai Jiao Tong University, Shanghai, China. wang1989@sjtu.edu.cn.
Scientific reports
|April 22, 2025
概括
生物年龄和脆弱性是衰老的关键指标. 这项研究使用机器学习和可解释的人工智能来识别血液生物标志物,发现囊素C是主要的衰老预测因子.
科学领域:
- 老年学是一门学科.
- 生物标志物 生物标志物
- 人工智能的人工智能
背景情况:
- 生物年龄 (BA) 和脆弱性是衰老研究中的关键健康指标.
- 了解血液生物标志物与这些衰老指标之间的关系至关重要.
研究的目的:
- 开发一种新的框架,将BA和脆弱机器学习 (ML) 预测器与可解释的人工智能 (XAI) 集成在一起.
- 通过这种综合方法来确定衰老的关键血基生物标志物.
主要方法:
- 利用来自中国健康与退休长度研究 (CHARLS) 的中国成年人 (≥45岁) 的数据.
- 采用了四个基于树的ML算法来使用16个血液生物标志物预测BA和脆弱性.
- 应用夏普利添加剂解释 (SHAP) 进行深入的生物标志物分析.
主要成果:
- CatBoost和渐变增强模型分别显示了BA和脆弱性预测的卓越性能.
- 最初的ML重要性突出了囊素C和糖化血红蛋白.
- SHAP分析显示,囊素C是BA和脆弱性预测因子的主要贡献者.
结论:
- 开发的XAI集成框架为识别衰老生物标志物提供了可靠的方法.
- 赛斯塔丁C成为生物年龄和脆弱性的重要和一致的预测因子.
- 这种方法提供了一个可扩展的工具,用于对衰老生物标志物的定量理解.
更多相关视频
05:53Measuring Frailty in HIV-infected Individuals. Identification of Frail Patients is the First Step to Amelioration and Reversal of Frailty
Published on: July 24, 2013
16.2K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.4K
