通过性能比较和 LIME 解释来预测细菌株的多药抗性
机器学习
2026-03-03 v2
摘要
多药抗性 (MDR) 的流行为临床决策带来了挑战，因为治疗选项有限且传统抗菌药敏检测存在延迟。本研究提出一种可解释的机器学习框架，用于预测细菌株的 MDR，这种框架基于临床特征和抗生素抗性模式。我们评估了五种分类模型，包括逻辑回归、随机森林、AdaBoost、XGBoost 和 LightGBM。模型在由 9,714 株细菌株组成的精选数据集上进行训练，抗性在抗生素家族水平上进行编码以捕获与 MDR 定义一致的跨类抗性模式。性能评估包括准确率、F1 分数、AUC-ROC 和 Matthews 相关系数。结果表明，集成模型，特别是 XGBoost 和 LightGBM，在所有指标上都表现出优越的预测能力。为解决临床透明度方面的差距，我们应用局部可解释模型无关解释 (Local Interpretable Model-agnostic Explanations, LIME) 生成实例级解释。LIME 识别出对 MDR 预测贡献最大的因素包括氟喹诺酮抗性、Co-trimoxazazole 抗性、Colistin 抗性、氨基糖苷类抗性以及 Furanes 抗性，这些结果与已知的生物学机制相吻合。本研究表明，结合高性能模型与局部可解释性不仅提供了准确性，还为抗菌药物管理提供了可操作的见解。该框架支持更早地识别 MDR，增强了机器学习辅助临床决策信任度。
引用
@article{arxiv.2602.22400,
title = {Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models},
author = {Santanam Wishal and Riad Sahara},
journal= {arXiv preprint arXiv:2602.22400},
year = {2026}
}
备注
6 pages, 7 figures