FCFNets:一个事实和反事实学习框架,用于在患有T2D的年轻成年人中加强肝纤维化预测
Qiang Yang1, Anu Sharma2, Daphne Calin3
1Department of Health Outcomes and Biomedical Informatics, University of Florida, Gainesville, FL, USA.
AMIA ... Annual Symposium proceedings. AMIA Symposium
|February 23, 2026
概括
使用电子健康记录,FCFNets可以准确预测2型糖尿病 (T2D) 的年轻成年人肝纤维化. 这种可解释的AI框架有助于早期检测和个性化治疗策略.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 肝病学 肝病学是一种肝病学.
背景情况:
- 肝纤维化对患有2型糖尿病 (T2D) 的年轻人来说是一个严重的健康问题.
- 在这个人口群体中预测和管理肝纤维化是具有挑战性的,因为电子健康记录 (EHR) 中的数据复杂性和类不平衡.
研究的目的:
- 引入FCFNets,一个新的事实和反事实学习框架,用于预测T2D年轻成年人的肝纤维化.
- 通过使用EHR数据来增强模型的解释性和解决类不平衡问题.
主要方法:
- 开发了一种混合的UNDO过量采样策略,将随机和不相似的过量采样结合起来,以提高数据集的多样性和稳定性.
- 基于SHAP的综合全球和实例级解释,并进行特征交互分析以识别风险因素.
- 在FCFNets框架内利用事实和反事实学习.
主要成果:
- 与基线方法相比,FCFNets表现出优异的性能,达到高灵敏度 (0.846) 和精度 (0.768).
- 该框架提供了对肝纤维化关键风险因素的可解释的见解.
- 成功生成了反事实解释,提供了个性化的管理见解.
结论:
- 在患有T2D的年轻成年人中,FCFNets显示出早期检测和个性化治疗肝纤维化的巨大潜力.
- 该研究强调了可解释AI的价值,特别是事实和反事实学习,在精准医学应用中.
