基于Kolmogorov-Arnold网络的可解释临床分类
机器学习
2026-04-10 v3
摘要
机器学习在临床决策支持中的应用受限于许多高性能模型的透明度不足。在临床环境中,预测必须是可解释的、可审计的且可操作的。本研究探讨Kolmogorov-Arnold网络(KANs)作为常规黑箱模型的可解释替代方案,用于表格型健康数据的临床分类,旨在平衡预测性能与临床意义的透明度。我们引入两种KAN-based模型:Logistic KAN,是Logistic回归的灵活推广;Kolmogorov-Arnold加法模型(KAAM),是一种可通过特征级分解性质产生透明符号表示的加法变体。两种模型在多个公共临床数据集上进行评估,并与标准线性、树基和神经网络基线进行比较。跨所有数据集,所提模型的预测性能与常用基线相当或更好,同时保持完全可解释。Logistic KAN在评估指标中获得最高的总体排名,平均倒数排名为0.76,表明在各任务中表现始终良好。KAAM在准确率上提供具竞争力的性能,通过特征级分解性、患者层面可视化和最近患者检索等方式提供增强的透明度,使其能够直接检查 individual predictions。KAN-based模型为临床分类提供了实用且可信赖的黑箱模型替代方案,在预测性能和可解释性之间提供了强大的平衡,为临床决策支持提供了透明、患者层面推理和临床可操作见解。通过实现透明、患者层面的推理和临床可操作见解,所提模型代表了可信赖医疗AI的重要一步。
引用
@article{arxiv.2509.16750,
title = {Interpretable Clinical Classification with Kolmogorov-Arnold Networks},
author = {Alejandro Almodóvar and Patricia A. Apellániz and Alba Garrido and Fernando Fernández-Salvador and Santiago Zazo and Juan Parras},
journal= {arXiv preprint arXiv:2509.16750},
year = {2026}
}
备注
29 pages