提升阿尔茨海尔病诊断与预后机器学习模型的SHAP可解释性

阿尔茨海尔病（Alzheimer disease, AD）的诊断和预后越来越依赖机器学习（machine learning, ML）模型。尽管这些模型取得了好的结果，但由于缺乏可信赖且一致的模型解释，以及需要技术专长，临床应用仍受限。SHAP（SHapley Additive exPlanations）常用于解释AD模型，但现有研究倾向于针对单个任务进行解释，缺乏关于其在疾病阶段、模型架构或预测目标之间鲁健性的证据。本文提出了一种多层次可解释性框架，通过整合：（1）特征重要性与SHAP之间的模型内一致性指标、（2）跨AD边界的SHAP稳定性、（3）诊断与预后之间SHAP的跨任务一致性，来衡量解释的连贯性、稳定性和一致性。使用AutoML在NACC数据集上优化分类器，我们训练了四个诊断模型和四个预后模型，涵盖标准的AD病程阶段。随后通过相关性指标、Top-k特征重叠、SHAP符号一致性和域级贡献比例等指标评估了稳定性。结果表明，认知和功能标记在诊断和预后中均主导SHAP解释。诊断模型与预后模型之间的SHAP-SHAP一致性在所有分类器中都很高，达到100%符号稳定性，并在解释力度方面几乎没有变化。域级贡献也保持稳定，仅在遗传特征方面为预后略增加了最小幅度。这些结果表明，SHAP解释可以被量化验证其鲁健性和可迁移性，为临床医生提供更可靠的机器学习预测解释。