机器学习在骨密度疗法风险评估中的透明性：基于 ML 和可解释性分析的比较研究
机器学习
2025-10-03 v2
摘要
本研究聚焦于通过机器学习（Machine Learning, ML）方法预测骨质疏松症风险，强调使用可解释人工智能（XAI）来提高模型透明度。骨质疏松症是重大公共卫生问题，因其无症状特性而常被忽视，早期识别有助于预防骨折。研究评估了六种机器学习分类器：随机森林、逻辑回归、XGBoost、AdaBoost、LightGBM 和梯度提升树，并采用基于临床、人口学和生活方式变量的数据集。通过 GridSearchCV 对模型进行调参，以提升预测效果。实验结果表明，XGBoost 在所评估模型中准确率最高（91%），在精确率（0.92）、召回率（0.91）和 F1 分数（0.90）上均超越其他模型。研究进一步集成了 SHAP、LIME 和置换特征重要性等 XAI 方法，以阐明最优模型的决策过程。研究结果表明，年龄是预测骨质疏松症风险的首要因素，其后为激素变化和家族史。这些结果与临床认知相符，确认了模型的治疗意义。该研究强调了在医疗保健领域应用可解释性机器学习模型的重要性，确保医生能够依赖系统的预测。报告最终提出了进一步研究的方向，如跨人群的验证以及整合额外生物标志物以提高预测准确性。
引用
@article{arxiv.2505.00410,
title = {Machine Learning Meets Transparency in Osteoporosis Risk Assessment: A Comparative Study of ML and Explainability Analysis},
author = {Farhana Elias and Md Shihab Reza and Muhammad Zawad Mahmud and Samiha Islam and Shahran Rahman Alve},
journal= {arXiv preprint arXiv:2505.00410},
year = {2025}
}
备注
Submitted in an international conference