一个简单快速解释的基于人工智能的预查工具,用于乳腺癌瘤恶性瘤检测
Selahaddin Batuhan Akben1, Hilal Yumrutaş2
1Department of Electrical and Electronics Engineering, Osmaniye Korkut Ata University, Osmaniye, Türkiye. batu130@hotmail.com.
Scientific reports
|October 2, 2025
概括
这项研究介绍了一种可解释的AI工具,用于快速进行乳腺癌恶性查. 决策树模型以最小的数据实现高精度,提供实用的临床决策支持.
科学领域:
- 在瘤学瘤学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 早期和准确检测乳腺癌恶性瘤对于有效的患者管理至关重要.
- 当前的诊断方法可能需要大量的数据和计算资源.
- 需要有效和可解释的工具来进行乳腺癌预先查.
研究的目的:
- 开发和评估一种可解释的人工智能 (XAI) 基于乳腺癌恶性查前查工具.
- 用最小的临床和人口统计数据来评估该工具的性能.
- 确保该工具是快速,准确和临床实用的.
主要方法:
- 利用Kaggle数据集,包括213名乳腺癌患者的9个临床和人口特征.
- 对比了8个机器学习算法的性能,包括集合模型和个别决策树.
- 基于精度,灵敏度,特异性,F1得分,AUC和马修斯相关系数的评估模型.
- 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:
- 无论是RUSBoost整体模型还是个别决策树都实现了大约91.7%的准确性.
- 决策树模型之所以被选用,是因为它具有卓越的可解释性,低计算成本和临床实用性.
- 决策树模型为恶性瘤分类产生了明确的口头规则,考虑了淋巴结参与,转移,瘤大小和患者年龄等因素.
- SHAP分析证实了模型的决策过程.
结论:
- 基于XAI的决策树模型为乳腺癌恶性查提供了一个快速,可靠和低数据需求的解决方案.
- 该模型的可解释性和临床实用性使其适合整合到临床决策支持系统中.
- 需要对更大,更多样化的群体进行进一步的验证研究,以提高概括性.
