SIBILA：一种应用于医学场景的新型可解释通用机器学习模型集成

个性化医疗仍是科学家面临的一大挑战。机器学习与深度学习的快速发展使其成为预测个体患者最适宜疗法的可行替代方案。然而，需为每个数据集定制模型、结果缺乏可解释性以及高计算需求使许多人不愿使用这些方法。为节省时间并阐明模型内部工作机制，我们开发了 SIBILA。SIBILA 是一个机器学习与深度学习模型的集成，应用一系列可解释性算法以识别最相关的输入特征。由于各可解释性算法可能彼此不一致，我们实现了一个共识阶段来估计每个变量对预测的全局归因。SIBILA 被容器化以在任何高性能计算平台上运行。尽管其被构想为命令行工具，也以 Web 服务器形式免费提供给所有用户：https://bio-hpc.ucam.edu/sibila。因此，即便技术能力较弱的用户也能从中受益。SIBILA 已应用于两个医学案例研究以展示其在分类问题中的预测能力。尽管它是通用工具，其开发目标是成为临床医生的强大决策辅助工具，但实际上也可用于许多其他领域。为此，补充材料中给出了另外两个非医学示例，证明 SIBILA 在含噪声数据和回归问题中同样表现良好。