糖尿病部神经病变预测:提高基于多模式超声波特征的各种机器学习模型的可解释性,使用SHAP方法
Yanqiu Chen1, Zhen Sun2, Huohu Zhong1
1Department of Ultrasound, the Second Affiliated Hospital of Fujian Medical University, Fujian, China.
Ultrasound in medicine & biology
|July 13, 2025
概括
这项研究开发了一种机器学习模型,使用多式超声波来预测糖尿病骨神经病变 (DTN). 通过SHAP分析增强的XGBoost模型为早期DTN检测和个性化治疗提供了一个精确的,非侵入性的工具.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 机器学习在医疗保健中的应用
- 神经病学研究的神经病学研究.
背景情况:
- 糖尿病神经病变 (DTN) 在糖尿病管理中构成了重大挑战.
- 准确和非侵入性诊断工具对于及时干预至关重要.
- 目前的评估方法可能缺乏精度,并且可能具有侵入性.
研究的目的:
- 开发和评估机器学习模型,使用多式超声波进行精确的DTN预测.
- 引入SHAP框架,用于在DTN评估中量化特征重要性.
- 建立一个非侵入性工具,以优化DTN的临床管理和患者预后.
主要方法:
- 对255名疑似DTN患者的多式超声波和临床数据的前性分析.
- 使用LASSO回归的特征选择.
- 开发了八种预测模型,包括XGBoost,物流回归,SVM等.
- 应用SHAP用于对135名外部患者的模型解释性和验证.
主要成果:
- 拉索确定了回声强度 (EI),横截面积 (CSA),平均弹性值 (Emean),超级微血管成像 (SMI) 和吸烟史作为关键预测因素.
- 在XGBoost模型中,AUC值为0.94 (训练),0.83 (内部测试) 和0.79 (外部测试).
- SHAP分析证实了特征的意义,并提供了个性化的预测解释,提高了可解释性.
结论:
- 一个使用多式超声波和机器学习 (XGBoost) 的DTN预测模型成功开发.
- SHAP分析显著提高了预测模型的可解释性.
- 这种具有成本效益和用户友好的方法支持DTN的个性化治疗和精密医学.
