一种可解释和透明的机器学习方法来预测牙:一项跨国验证研究
Otso Tirkkonen1,2, Henna Tiensuu3, Elina Väyrynen1
1Research Unit of Population Health, Faculty of Medicine, University of Oulu, Oulu, Finland.
BMC oral health
|January 16, 2026
概括
机器学习模型用于检测牙腐烂显示有希望的内部结果,但面临显著的性能下降与外部验证. 可解释的人工智能 (XAI) 为未来的个性化风险评估提供了潜力.
科学领域:
- 牙科 牙科是指牙科的专业.
- 人工智能的人工智能
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 人工智能 (AI) 越来越多地用于牙科,但不充分的验证导致过高估计的机器学习 (ML) 模型性能.
- 用独立数据集进行外部验证对于确认ML模型的通用性和现实世界的适用性至关重要.
研究的目的:
- 开发和验证极端梯度增强 (XGBoost) 模型用于使用问卷数据检测牙损伤.
- 通过外部验证来评估ML模型的通用性,并使用可解释AI (XAI) 增强可解释性.
主要方法:
- 开发了使用NHANES数据集 (n=6070) 进行嵌套交叉验证和持久测试集的XGBoost模型.
- 在独立的北芬兰出生队列数据集 (NFBC1966和NFBC1986;n=3616) 上进行外部验证的模型性能.
- 使用蜂群图片进行变量重要性分析,以提高模型的解释性.
主要成果:
- ML模型在内部实现了0.785的AUC,但尽管特异性很高 (0.919),但显示的敏感性很差 (0.391).
- 外部验证显示,性能显著下降,AUC降至0.550,灵敏度降至0.053,特异性略微增加至0.974.
- 关键预测因素包括自我评价的口腔健康,缺失的牙,财务状况和自上次去看牙医以来的时间.
结论:
- 与内部验证相比,外部验证显示ML模型性能明显恶化.
- 可解释性AI (XAI) 方法显示了未来个性化牙损伤风险评估的潜力.
