超越特征重要性：基于图的可解释 AI 在预测中风后刚性中的特征交互作用
机器学习
2025-04-14 v1
摘要
本研究聚焦于预测中风后刚性问题，强调通过基于图的可解释 AI 捕捉特征交互作用。中风后刚性表现为肌肉张力增高和僵硬，显著影响患者的活动能力和生活质量。尽管其盛行，早期预测仍有限，延误了干预时机。我们分析来自 Healthcare Cost and Utilization Project 数据集的 519K 例中风住院记录，其中 43% 的患者表现为刚性。我们比较了传统方法如 Logistic 回归、XGBoost 和 Transformer 与基于图的模型如 Graphormer 和 Graph Attention Network。这些图模型本质上捕捉特征交互作用，并内置或事后提供可解释性。我们的结果表明，图模型优于其他方法（AUROC 为 0.75），识别出关键预测因素包括 NIH Stroke Scale 和 APR-DRG 死亡风险评分。它们还发现了传统模型所忽略的交互作用。这项研究为中风预后提供了一种新型基于图的可解释 AI 应用，具有指导早期识别和个体化康复策略的潜力。
关键词
引用
@article{arxiv.2504.08150,
title = {Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI},
author = {Jiawei Xu and Yonggeon Lee and Anthony Elkommos Youssef and Eunjin Yun and Tinglin Huang and Tianjian Guo and Hamidreza Saber and Rex Ying and Ying Ding},
journal= {arXiv preprint arXiv:2504.08150},
year = {2025}
}
备注
Jiawei Xu and Yonggeon Lee contributed equally to this work