基于可解释的变压器模型,对静脉注射免疫球蛋白耐药的川崎病的临床预测
1Department of pediatrics, Affiliated Hospital of North Sichuan Medical College, Nanchong, Sichuan, China.
PloS one
|July 9, 2025
概括
一个新的基于变压器的模型准确地预测了川崎病 (KD) 患者的静脉免疫球蛋白 (IVIG) 耐药性,改善了个性化治疗策略. 这种可解释的AI工具有助于识别高风险个体,以便更好地管理.
科学领域:
- 计算医学和人工智能的人工智能
- 儿科心脏病学和免疫学
背景情况:
- 静脉注射免疫球蛋白 (IVIG) 是川崎病 (KD) 的主要治疗方法,但10%-20%的儿科患者表现出耐药性.
- 现有的机器学习模型难以预测KD治疗反应,原因是处理分类数据和解释临床信息的局限性.
研究的目的:
- 开发一种可解释的基于变压器的临床预测模型,用于IVIG抗性KD.
- 为了验证这种新型预测模型的临床实用性.
主要方法:
- 从2014年1月到2024年12月,对1578例儿科KD病例进行了回顾性分析.
- 使用五倍交叉验证实现和比较六个机器学习算法 (RF,AdaBoost,LightGBM,XGBoost,CatBoost,TabPFN-V2).
- 使用准确度,精度,回忆,F1得分,MCC,ROC-AUC和PR-AUC进行性能评估,然后根据SHAP进行可解释性分析.
主要成果:
- 基于变压器的TabPFN-V2模型在验证集中实现了卓越的预测性能,准确度为0.97,精度为0.98,回忆率为0.97,F1得分为0.98,MCC为0.95,ROC-AUC为0.99,PR-AUC为0.99.
- 发现的关键预测特征包括冠状动脉病变 (CAL),阿斯巴胺转移酶 (AST),C反应蛋白 (CRP),不完整的KD类型,中性细胞计数 (N),血小板计数 (PLT),白蛋白 (ALB),年龄,白细胞计数 (WBC) 和血红蛋白 (Hb).
- AST,CRP和N与IVIG抗性的正相关性,而PLT和ALB与IVIG抗性的负相关性. 年龄和WBC表现出影响预测得分的值效应.
结论:
- 可解释的TabPFN-V2模型准确预测了KD患者的IVIG耐药性,提供了显著的临床实用性.
- 这种人工智能框架通过提供概率风险估计和透明的特征贡献分析来支持个性化治疗决策,为患者特定的管理协议提供.
