基于可解释机器学习的糖尿病肾病预测模型
机器学习
2023-10-25 v2 计算机与社会
摘要
本研究旨在分析血清代谢物对糖尿病肾病（DN）的影响，并通过机器学习方法预测 DN 患病率。数据集来自大连医科大学第二附属医院（SAHDMU）2018年4月至2019年4月的548名患者。我们通过最小绝对收缩与选择算子（LASSO）回归模型和10折交叉验证筛选出最优的38个特征。我们通过 AUC-ROC 曲线、决策曲线、校准曲线比较了四种机器学习算法，包括 eXtreme Gradient Boosting（XGB）、随机森林、决策树和逻辑回归。我们通过 Shapley Additive exPlanations（SHAP）方法量化最优预测模型中的特征重要性与交互效应。XGB 模型筛查 DN 的性能最佳，AUC 值最高达0.966。XGB 模型也获得多于其他模型的临床净获益且拟合程度更优。此外，血清代谢物与糖尿病病程之间存在显著交互作用。我们通过 XGB 算法建立了筛查 DN 的预测模型。C2、C5DC、Tyr、Ser、Met、C24、C4DC 和 Cys 在模型中贡献很大，并可能成为 DN 的生物标志物。
引用
@article{arxiv.2309.16730,
title = {Explainable machine learning-based prediction model for diabetic nephropathy},
author = {Jing-Mei Yin and Yang Li and Jun-Tang Xue and Guo-Wei Zong and Zhong-Ze Fang and Lang Zou},
journal= {arXiv preprint arXiv:2309.16730},
year = {2023}
}