通过基于SHAP的机器学习模型的特征工程来改善尾癌的预测:一个预测研究
1Ewha Womans University College of Medicine, Seoul, Korea.
Ewha medical journal
|July 24, 2025
概括
沙普利添加式解释 (SHAP) 功能工程提高了尾癌症预测准确性和透明度. 这种可解释的模型增强了对罕见疾病预测的临床相关性.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 传统的尾癌预测模型往往缺乏透明度,限制了临床采用.
- 可解释的人工智能对于将预测模型集成到临床实践中至关重要.
研究的目的:
- 开发和评估基于沙普利增材解释 (SHAP) 的特征工程框架,用于尾癌预测.
- 通过整合SHAP来增强模型准确性和临床解释性,用于特征选择,构建和权重.
主要方法:
- 使用了Kaggle附录癌症预测数据集 (26万个样本,21个特征).
- 应用数据预处理,包括标签编码和SMOTE用于类不平衡.
- 与基线模型进行比较 (随机森林,XGBoost,LightGBM),选择LightGBM以获得卓越的性能.
- 实施了SHAP分析,用于特征选择,基于交互的特征构建和特征加权.
主要成果:
- 基于SHAP的框架改善了LightGBM模型的性能,特征加权实现了最高的F1得分 (0.8877) 和精度 (0.9940).
- 确定的主要预测特征包括红细胞计数和慢性严重程度.
- 工程模型保持了可解释性,同时提高了预测准确性.
结论:
- 基于SHAP的特征工程框架显著提高了尾癌预测的准确性和透明度.
- 这种方法为罕见疾病预测提供了一个可扩展和可解释的解决方案.
- 建议对现实数据进行进一步验证,以确保可通用性.
