基于 MCA 的规则挖掘实现临床精神病学中的可解释推断
机器学习
2019-08-06 v2 机器学习
摘要
为临床医疗应用开发可解释的机器学习模型，有潜力改变我们在许多医学领域理解、治疗并最终治愈疾病与障碍的方式。这些模型不仅可作为预测与估计的来源，也可作为临床医生与研究人员从数据揭示新知识的发现工具。患者信息的高维性（例如表型、基因型与病史）、客观测量的缺乏以及患者群体的异质性，常常为实践中开发临床精神心理学的可解释机器学习模型带来显著挑战。在本文中，我们朝此类可解释模型的开发迈出一步。首先，通过开发一种基于多元对应分析（Multivariate Correspondence Analysis, MCA）的新型类别规则挖掘方法，能够处理具有大量特征的数据集；其次，应用该方法构建跨诊断贝叶斯规则列表模型，利用神经精神表型联盟（Consortium for Neuropsychiatric Phenomics）数据集筛查精神障碍。我们表明，我们的方法在具有 50 个特征的数据集上不仅比最先进的规则挖掘技术至少快 100 倍，而且在多个基准数据集上提供了可解释性与可比的预测精度。
引用
@article{arxiv.1810.11558,
title = {MCA-based Rule Mining Enables Interpretable Inference in Clinical Psychiatry},
author = {Qingzhu Gao and Humberto Gonzalez and Parvez Ahammad},
journal= {arXiv preprint arXiv:1810.11558},
year = {2019}
}