基于多维数据的可解释机器学习的脑动脉瘤破裂风险评估( Rupture Risk Assessment for Cerebral Aneurysm Using Interpretable Machine Learning on Multidimensional Data )

C Ou J Liu Y Qian W Chong X He

背景：脑动脉瘤破裂风险的评估是一项重要的任务，但仍具有挑战性。近年来将机器学习应用于破裂风险评估的研究取得了积极的成果。然而，它们基于有限的数据方面，缺乏可解释性可能会限制它们在临床环境中的使用。我们的目的是在多维数据上开发可解释的机器学习模型，用于动脉瘤破裂风险评估。方法：374例动脉瘤纳入研究。收集每个患者的人口学、病史、生活方式、血脂谱和形态学。使用机器学习方法（支持向量机、人工神经网络和XGBoost）和传统的logistic回归导出预测模型。将所得模型与阶段评分法进行了比较。应用Shapley加性解释(SHAP)分析提高了最佳机器学习模型的可解释性，揭示了模型所作预测背后的推理。结果：最佳机器学习模型（XGBoost）在接收机工作特性曲线下的面积为0.882[95%可信区间(CI)=0.838-0.927],明显优于logistic回归模型（0.779；95%CI=0.729-0.829；P=0.002)和阶段评分法（0.758；95%CI=0.713-0.800；P=0.001)。破裂部位、大小比和甘油三酯水平是预测破裂的三个最重要的特征。通过对两个典型案例的分析，验证了模型的可解释性。结论：本研究显示了机器学习用于动脉瘤破裂风险评估的潜力。机器学习模型的性能优于传统的统计模型和阶段评分法。SHAP分析可以提高机器学习模型的可解释性，并促进其在临床环境中的使用。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate