使用可解释的提振机器对心肌梗塞的可解释预测:基于生物标志物的机器学习方法
Zeynep Kucukakcali1, Ipek Balikci Cicek1, Sami Akbulut1,2
1Department of Biostatistics and Medical Informatics, Inonu University Faculty of Medicine, Malatya 44280, Turkey.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
可解释的提升机器准确地预测心肌梗塞 (MI) 使用关键生物标志物,如氨酸. 这种可解释的AI方法有助于临床决策和生物标志物发现,以改善患者护理.
科学领域:
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
- 心脏病学 心脏病学
背景情况:
- 心肌梗塞 (MI) 诊断需要准确和可解释的预测模型.
- 可解释的人工智能 (XAI) 技术为临床决策提供了透明度.
- 生物标志物识别对于有效的MI诊断和风险分层至关重要.
研究的目的:
- 使用可解释的增强机器 (EBM) 开发一种可解释和准确的MI预测模型.
- 识别和排名临床相关的MI诊断生物标志物.
- 提高AI驱动的诊断工具的透明度,以提供临床支持.
主要方法:
- 利用来自伊拉克的1319名患者记录的数据集,包括临床和生化特征.
- 应用预处理技术,如一次热编码和规范化.
- 训练并测试EBM模型,评估AUC,精度,灵敏度和特异性的性能.
- 评估特征的重要性,并使用部分依赖性分析来解释可解释性.
主要成果:
- 该EBM模型实现了高诊断性能:AUC 0.980,准确性96.6%,灵敏度96.8%,特异性96.2%.
- 热波和CK-MB被确定为最重要的心脏病发作预测因子.
- 部分依赖图显示了生物标志物和MI预测之间的非线性关系.
- 当地解释图证实了模型对个案的可解释预测.
结论:
- EBM为MI诊断提供了一种临床上有价值和道德的AI方法.
- 该模型的透明度支持生物标志物优先级和临床风险分层.
- 结果与精准医学和负责任的AI原则相一致,需要进一步的多中心验证.
