从新视角看可解释性：面向生物医学应用的分层与领域知识融合

机器学习（ML）技术在生物医学领域的应用日益重要，尤其在 COVID-19 大流行后所产生的大量数据背景下。然而，由于生物医学数据集的复杂性以及黑盒 ML 模型的使用，可能引发领域专家缺乏信任与采用的问题。对此，可解释机器学习（IML）方法已被开发，但生物医学数据集中的维数灾难会导致模型不稳定。本文提出一种新颖的计算策略，将生物医学问题数据集分层为 k 折交叉验证（CVs），并将领域知识解释技术嵌入当前最先进的 IML 框架中。该方法可提升模型稳定性、建立信任，并为训练所得 IML 模型产生的结果提供解释。具体而言，模型输出（如聚合特征权重重要性）可通过通路功能富集、药物靶向与重定位数据库等技术进一步关联至领域知识解释。此外，在 IML 框架选择前后让终端用户与临床医生参与焦点小组讨论，有助于引导可检验假设、改善性能指标，并在生物医学领域构建可信且可用的 IML 解决方案。总体而言，本研究凸显了将先进计算技术与领域知识解释相结合，以提升复杂生物医学数据集背景下 IML 解决方案有效性的潜力。