开发和验证可解释的机器学习模型,用于大脑小血管疾病风险评估
Tao Guo1, Mengchen Wang2, Changliang Wang1
1Medical Imaging Center, Department of Electronic Engineering and Information Science, University of Science and Technology of China, Hefei 230026, China.
International journal of medical informatics
|August 3, 2025
概括
这项研究开发了一种机器学习模型,使用常规临床数据来识别患有大脑小血管疾病 (CSVD) 高风险的个体. 该工具提供了一种实用的查方法,改善了对脑血管健康的早期检测和干预.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 大脑小血管疾病 (CSVD) 诊断受到社区磁共振成像 (MRI) 可访问性的限制.
- 缺乏用于早期评估CSVD风险的实际工具.
- 识别CSVD及其亚型 (缺陷,白质超强度) 的高风险个体对于及时干预至关重要.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,使用非成像临床数据.
- 为了识别患有CSVD高风险的个体及其成像子组.
- 为社区医疗保健机构创建一个实用的查工具.
主要方法:
- 追溯数据收集来自中国的1489名参与者.
- 使用嵌套交叉验证开发和比较五个ML模型 (逻辑回归,SVM,随机森林,XGBoost,LightGBM).
- 通过递归特征消除 (RFE) 和顺序前选择 (SFS) 进行特征选择;通过夏普利增量扩展 (SHAP) 增强可解释性.
主要成果:
- 在交叉验证中,LightGBM模型实现了0.937 ± 0.003的AUROC,在测试组中达到0.862.
- 外部验证显示适度的概括性,AUROC为0.761.
- 确定了包括年龄,尿酸,BMI,肌素和血压在内的十大特征,并将其集成到基于网络的计算器中.
结论:
- 使用CSVD查的常规临床数据开发了一个可靠和可解释的LightGBM模型.
- 基于网络的应用程序为社区医疗保健提供了一个实用的工具,支持脑血管疾病的预防.
- 这种方法解决了MRI可用于早期CSVD检测和干预的限制.
