使用早期和中期怀孕的产前标记器预测出生体重,利用机器学习和可解释的人工智能
Manohar Pavanya1, Krishnaraj Chadaga2, Vennila J3
1Department of Obstetrics and Gynecology,Dr TMA Pai Hospital (Udupi), Melaka Manipal Medical College, Manipal Academy of Higher Education, Manipal, Karnataka, India.
Scientific reports
|July 19, 2025
概括
这项研究引入了一个可解释的AI模型,使用产前数据预测低出生体重 (LBW). 该模型确定了影响胎儿发育的关键因素,帮助临床医生进行早期干预,以获得更好的新生儿结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 孕产妇和胎儿医学 孕产妇和胎儿医学
背景情况:
- 低出生体重 (LBW) 给全球健康带来了重大挑战,影响新生儿的短期和长期残疾.
- 在怀孕早期到中期的产前因素极大地影响胎儿发育和出生体重.
- 现有的机器学习 (ML) 模型用于出生体重预测缺乏透明度,引发了临床担忧.
研究的目的:
- 利用产前数据开发一个实用,可解释的ML模型来预测出生体重.
- 通过将可解释的人工智能 (XAI) 纳入出生体重预测模型来增强临床决策.
- 通过可解释的ML识别影响出生体重的关键母婴和胎儿特征.
主要方法:
- 从237个单子怀孕中收集现实世界的临床数据,包括19个母亲和胎儿特征.
- 开发一个堆叠集团ML模型,集成多个算法和XAI方法 (SHAP,LIME,Anchor).
- 评估ML分类器,包括AdaBoost和定制堆叠组合,用于预测性能.
主要成果:
- AdaBoost模型实现了最高的性能,准确率为77%,精度为73%,回忆率为77%,F1得分为72%.
- 堆叠组合模型显示75%的准确性,证明了临床应用的潜力.
- 发现的关键预测因素包括母亲的身高,上半透明度,平行度,冠长度,糖化血红蛋白,高血压疾病和PAPP-A.
结论:
- 开发的XAI模型为出生体重预测提供了有意义的解释,提高了可靠性.
- 该模型可以帮助临床医生使用常规产前参数准确预测出生体重.
- 这种可解释的ML方法可以促进及时的医疗决策和治疗,以改善新生儿护理.
