可解释的基于AI的宫癌预测使用FSAE特征工程和H2O AutoML
Panneerselvam Karthikeyan1, I Malaserene2, E Deepakraj1
1School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, India.
Scientific reports
|November 18, 2025
概括
这项研究引入了一种混合机器学习 (ML) 框架,用于预测宫癌风险. 该模型将自动机器学习 (AutoML) 与功能工程和可解释AI (XAI) 结合起来,以提高准确性和可解释性.
科学领域:
- 在瘤学瘤学.
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
背景情况:
- 宫癌主要是由人类乳头瘤病毒 (HPV) 引起的,这对全球健康构成重大挑战,需要准确的早期预测以改善患者的治疗结果.
- 现有的机器学习 (ML) 和深度学习 (DL) 模型用于疾病预测往往缺乏可解释性,需要广泛的数据集,而传统的诊断方法可能是昂贵和复杂的.
- 对于宫癌风险预测的先进,可解释和高效的方法来支持临床决策至关重要.
研究的目的:
- 开发和验证混合ML框架,以提高宫癌风险预测.
- 将自动特征提取和选择与AutoML集成,以提高模型性能.
- 整合可解释的AI (XAI) 技术,包括LIME和SHAP,以提高模型透明度和临床信任.
主要方法:
- 开发了一个混合框架,将H2O AutoML与基于自动编码器的特征提取和基于费舍尔分数的特征选择相结合.
- 探索性数据分析 (EDA) 和维度减少使用堆叠自动编码器进行.
- 局部可解释的模型不可知解释 (LIME) 和SHAP被用于实例级预测解释.
主要成果:
- 选择的深度学习模型在培训数据集上实现了高性能,准确率为95.24%,AUC为98.10.
- 交叉验证证明了模型的稳定性,具有一致的AUC和日志损失值.
- 该模型的整体错误率低,为4.14%,实际负值 (5.75%) 和实际正值 (2.59%) 的特定错误率为0.517.1的F1值.
结论:
- 拟议的混合ML框架有效地提高了宫癌风险模型的预测能力和可解释性.
- 将AutoML与高级功能工程和XAI相结合,为决策支持提供了一个可扩展和临床相关的解决方案.
- 开发的模型为临床医生提供了可操作的见解,为更加个性化和有效的宫癌管理铺平了道路.
