可解释机器学习用于骨质疏松症检测:在绝经前妇女中使用生物电阻的概念验证研究

科学领域:

• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学
• 骨质疏松症研究 骨质疏松症研究

背景情况:

• 早期发现低骨矿物质密度 (BMD) 对于预防骨质疏松症至关重要.
• 双能X射线吸收计 (DXA) 是黄金标准,但在可访问性和成本方面存在局限性.
• 需要使用替代查方法才能得到广泛应用.

研究的目的:

• 为了评估原始生物电阻分析 (BIA) 数据与可解释机器学习 (ML) 模型相结合的骨质疏松症分类的有效性.
• 评估这种新方法在40-55岁女性中的准确性和可解释性.
• 为了确定BIA衍生的关键特征预测低BMD.

主要方法:

• 一项涉及138名女性的横截面研究,同日进行BIA和DXA评估.
• 骨质疏松症是由DXAT分数定义的,在-1.0至-2.5.5之间.
• 作为输入特征,使用了包括阻抗和组织参数在内的原始BIA数据.
• 使用了顺序前置特征选择 (SFFS) 和四个ML分类器.
• 为了模型的可解释性,使用了夏普利添加式解释 (SHAP).

主要成果:

• 一个神经网络 (NN) 模型在使用34个选定的特征来分类骨质疏松症时实现了92.12%的准确性.
• 关键预测因素包括原始阻抗,区域瘦身量,水指数和体力活动状态.
• SHAP分析强调肌肉质量和液体分布指标是重要的贡献者.
• 其他ML模型显示了可比性能,精度和解释性各不相同.

结论:

• 使用原始BIA数据的可解释的ML模型可以准确而透明地对骨质疏松症进行分类.
• 该方法为早期骨质疏松风险识别提供了DXA的成本效益和可解释的替代方案.
• 该方法适用于资源有限的环境和初级保健,增强早期检测低BMD.