开发和验证一种可解释的机器学习模型,用于标准的体积预测
Jinyu Lin1,2,3, Jian Yang2,3, Yinling Qian4
1Department of General Surgery, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, China.
Quantitative imaging in medicine and surgery
|July 3, 2025
概括
这项研究开发了一种可解释的机器学习模型,以准确评估标准体积 (SSV),帮助诊断壮症和相关疾病. 开放式计算器现在可用于个性化的临床决策.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的机器学习
- 血液学和瘤学研究
背景情况:
- 脊髓缩症是各种疾病的关键指标,包括肝脊髓缩症和血液学疾病.
- 精确评估脏体积对于诊断和治疗决策至关重要.
- 个性化诊断需要一个标准的脏体积参考标准.
研究的目的:
- 开发一种可解释的机器学习 (ML) 模型,用于评估标准脏体积 (SSV).
- 增强个人化临床决策,涉及大病的条件.
- 为脏体积评估提供可靠的参考.
主要方法:
- 从一个多中心队列中对1186名志愿者的回顾性分析.
- 11个ML算法的评估,使用SHapley添加式解释 (SHAP) 来解释特征.
- 使用RMSE,R2进行严格的性能评估,并与现有公式进行比较.
主要成果:
- 一个随机森林 (RF) 模型 (ML_SSV) 整合了11个特征,显示出高预测准确度 (RMSE=22.6 mL,R2=0.80在外部验证中).
- 使用4个非侵入性参数的简化射频模型 (ML_SSVa) 也显示出强大的性能 (RMSE=36.0 mL,R2=0.70).
- 这两种模型的性能都超过了现有的公式,并且可以作为开放式访问的网络计算器.
结论:
- 开发并验证了用于SSV评估的新型可解释ML模型.
- 这些模型为个性化大病诊断提供了参考基线.
- 这些工具提高了诊断准确度,并支持基于数据的临床决策.
