开发和验证可解释的机器学习模型,用于预测急性缺血性中风的3个月功能结果:基于SHAP的方法
Cheng-Fang Chen1, Zhan-Yun Ren1, Hui-Hua Zong1
1Department of Neurology, The Affiliated Yixing Hospital of Jiangsu University, Yixing, Jiangsu, China.
Frontiers in neurology
|December 18, 2025
概括
可解释的机器学习准确地预测了急性缺血性中风 (AIS) 患者的3个月功能结果. SHAP框架提高了模型透明度和临床实施,以改善患者护理.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 在急性缺血性中风 (AIS) 中预测功能结果对于患者管理至关重要.
- 目前的模型往往缺乏透明度,阻碍了临床采用.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测AIS患者的3个月功能结果.
- 使用夏普利增量解释 (SHAP) 框架来提高模型的可解释性.
主要方法:
- 对538名AIS患者进行了回顾性队列研究.
- 开发和比较五个机器学习模型 (SVM,k-NN,RF,GBM,CNN).
- 使用LASSO回归和性能评估通过AUC,精度,灵敏度和特异性进行特征选择.
主要成果:
- 梯度增强机 (GBM) 在验证集中实现了最高的预测性能 (AUC 0.91).
- SHAP分析确定了关键预测因素:NIHSS得分 (30.8%),年龄 (14.9%) 和方面 (13.7%).
- 该模型在各种概率值中显示出出色的校准和临床实用性.
结论:
- 可解释的机器学习模型可以准确预测AIS患者的3个月功能结果.
- SHAP框架提高了模型的透明度,促进了临床实施.
- 开发的GBM模型为AIS结果预测提供了卓越的预测性能和可解释性.
