使用可解释机器学习和虚拟数据增强来预测三甲发生率和癌症风险
Zhaopeng Li1, Wencheng Ma1, Yu Ouyang1
1State Key Laboratory of Urban Water Resource and Environment, Harbin Institute of Technology, Harbin 150090, PR China.
Journal of hazardous materials
|May 28, 2025
概括
本研究引入了一种机器学习框架,使用虚拟数据增强来预测饮用水中的三甲 (THM) 和癌症风险. 该方法使得成本效益高的水质监测成为可能,即使是在数据有限的地区.
科学领域:
- 环境化学环境化学
- 水质监测 水质监测
- 机器学习应用 机器学习应用
背景情况:
- 饮用水中的三甲 (THM) 具有致癌性健康风险,需要定期监测.
- 目前的水质监测方法资源密集,限制了频繁的分析.
- 需要预测模型来进行高效和成本效益的THM评估.
研究的目的:
- 开发一个可解释的机器学习 (ML) 框架,用于预测THM发生和相关的癌症风险.
- 整合虚拟数据增强以提高数据有限场景中的预测模型性能.
- 建立一个具有成本效益的软传感方法,用于水质和健康风险管理.
主要方法:
- 利用了146个真实水样,使用CODMn作为THM前体的代理.
- 实现可解释的ML模型,包括CatBoost与贝叶斯优化,用于THM预测.
- 应用SHAP用于特征选择和统一多重近似和投影 (UMAP) 进行虚拟数据增强.
主要成果:
- CatBoost模型在THM物种和癌症风险预测方面实现了高R2值 (0.805-0.960).
- 使用四个关键参数 (CODMn,温度,,酸盐) 的简化模型保持了强大的预测准确性 (R2=0.803-0.915).
- 基于UMAP的数据增强优于生成对抗网络,将RMSE和MAE降低了9.64-12.28%.
结论:
- 拟议的ML框架为监测THM和癌症风险提供了有效的,低成本的解决方案.
- 基于UMAP的数据增强显著提高了模型性能,特别是在数据稀缺的环境中.
- 这种方法支持数据驱动的软传感,以提高水质和健康风险管理.


![Chemical-Induced Skin Carcinogenesis Model Using Dimethylbenz[a]Anthracene and 12-O-Tetradecanoyl Phorbol-13-Acetate DMBA-TPA](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F60445.jpg&w=3840&q=50)