基于社会人口学因素的儿童牙科风险分层的可解释机器学习
机器学习
2026-01-21 v1 人工智能
摘要
背景：儿童牙科疾病是全球世界上最常见且最不公平的慢性健康条件之一。尽管强烈的流行病学证据将口腔健康结果与社会经济和人口学因素联系起来，但大多数牙科领域的人工智能应用依赖于基于图像的诊断和黑箱预测模型，限制了在儿童人群中的透明度和伦理适用性。目标：本研究旨在开发和评估一个面向儿童牙科风险分层的可解释机器学习框架，优先考虑可解释性、校准和伦理部署，而非最大化预测准确性。方法：训练了一个监督式机器学习模型，使用包括年龄、收入-贫困比、种族/民族、性别和既往病史等在内的全国儿童数据。通过受试者工作特征 (ROC) 分析和校准曲线评估模型性能。通过 SHapley 加法解释 (SHAP) 实现可解释性，以提供对预测的全局和individual-level 解释。结果：该模型实现了适度的区分度 (AUC=0.61)，并表现出保守的校准，在较高概率水平下低估风险。SHAP 分析确定年龄和收入-贫困比是预测风险最强的贡献因子，其后是种族/民族和性别。结论：可解释机器学习实现了透明、以预防为导向的儿童牙科风险分层，支持人群筛查和公平资源分配，而非诊断性决策。
引用
@article{arxiv.2601.12405,
title = {Explainable Machine Learning for Pediatric Dental Risk Stratification Using Socio-Demographic Determinants},
author = {Manasi Kanade and Abhi Thakkar and Gabriela Fernandes},
journal= {arXiv preprint arXiv:2601.12405},
year = {2026}
}