将可解释的人工智能纳入集体机器学习驱动的胰腺癌诊断中
Faisal Abdulaziz Almisned1, Natacha Usanase2,3, Dilber Uzun Ozsahin4,5,6
1Department of Information Systems, College of Computer and Information Sciences, King Saud University, Riyadh, Saudi Arabia. falmisned@ksu.edu.sa.
Scientific reports
|April 24, 2025
概括
机器学习模型在早期发现胰腺癌方面表现有前途. 混合模型实现了99.05%的AUC,有助于临床决策和疾病诊断.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 胰腺癌仍然是一个重要的健康威胁,尽管医学的进步.
- 在临床决策中迫切需要创新的策略,以实现早期检测.
- 机器学习 (ML) 为提高诊断能力提供了一个有希望的方法.
研究的目的:
- 分析六个ML算法和一组投票分类器,用于早期发现胰腺癌.
- 开发和评估使用临床特征的新型混合ML模型.
- 解释模型性能,并使用Shapley添加式解释 (SHAP) 识别关键诊断特征.
主要方法:
- 利用590个患者尿样的公共数据集进行模型开发.
- 开发了六个常规的ML模型和一个集体投票分类器.
- 通过组合和单个模型组合创建了六个混合模型,使用AUC和精度评估性能.
主要成果:
- 整体投票分类器实现了96.61%的准确性和98.72%的精度.
- 混合模型的表现优于单一模型,投票分类器随机森林混合模型的AUC达到99.05%.
- SHAP分析确定了有影响力的特征,有助于准确的胰腺癌诊断.
结论:
- 复杂的ML模型为疾病检测提供了高准确度和精度.
- 混合ML方法显示了胰腺癌早期和有效诊断的巨大潜力.
- 像使用SHAP这样的可解释的ML模型可以增强临床决策支持系统.
