机器学习和可解释的人工智能可以预测和解释孕妇和未出生的婴儿的毒性
Priyanka Chaurasia1, Pratheepan Yogarajah1, Abbas Ali Mahdi2
1School of Computing, Engineering & Intelligent Systems, Ulster University, Londonderry, United Kingdom.
Frontiers in digital health
|June 16, 2025
概括
这项研究引入了可解释的AI来解释机器学习模型,使用社会人口统计数据预测孕妇的暴露. 这增强了对母亲健康干预措施的信任和临床适用性.
科学领域:
- 环境健康 环境健康
- 人工智能的人工智能
- 孕产妇健康 孕产妇健康
背景情况:
- 毒性对婴儿构成重大风险,产前暴露是一个主要问题.
- 怀孕期间母体转移需要准确的母体水平评估,以进行有针对性的干预.
- 目前的检测方法昂贵,并且无法用于广泛的人口查.
研究的目的:
- 提高先前开发的机器学习 (ML) 模型的透明度和可解释性,用于预测孕妇暴露.
- 在临床和公共卫生环境中建立信任并促进有关暴露的知情决策.
- 介绍一个可解释的人工智能 (XAI) 框架的首次应用,用于解释基于ML的暴露预测.
主要方法:
- 一个随机森林分类器被训练使用200个血液样本和12个社会人口统计特征的数据集.
- 应用了可解释的人工智能 (XAI) 方法,特别是SHAP (SHapley增量解释) 和LIME (局部可解释模型-不可知解释).
- 这些XAI方法用于分析特征对ML模型预测的贡献.
主要成果:
- 随机森林模型在预测暴露水平方面取得了84.52%的准确性.
- SHAP和LIME提供了关于每个社会人口统计特征对模型预测的贡献的见解.
- 应用XAI证明了输入特征如何影响母亲暴露的预测.
结论:
- 可解释的AI框架可以成功解释用于预测环境健康风险的ML模型,例如暴露.
- 可解释的ML模型对于在临床实践和公共卫生中获得接受和实施至关重要.
- 这项研究为在保护母亲和儿童健康方面更加透明和值得信赖的AI应用铺平了道路.
