DOI: 10.12307/2025.947
对比6种适用于医学领域使用的机器学习模型:支持骨质疏松症筛查和初步诊断
杨磊1
刘三毛2
孙焕伟3
车超1
唐琳1
1.大连大学软件工程学院,辽宁省大连市 1166222.广西医科大学第一附属医院,广西壮族自治区南宁市 530021;大连理工大学附属中心医院,辽宁省大连市 1160333.大连理工大学附属中心医院,辽宁省大连市 116033
摘要：背景:随着社会人口老龄化程度加剧,骨质疏松症发病率正逐年递增,相应的筛查和诊断需求给医疗系统带来了巨大挑战,也增加了患者接受检查的时间成本、经济负担和辐射暴露的风险.
目的:构建基于传统CT检查数据和人口统计学数据的新型可解释性预测方法.
方法:设计了一个两阶段可解释性骨质疏松预测框架.第1阶段,采用人机协同标注CT图像,创新性地提出了椎骨7点CT值测量方法,并将患者的性别与年龄作为关键人口统计学特征纳入特征集,显著丰富了模型的输入信息;第2阶段,在LightGBM模型的基础上,引入了SHAP(SHapley Additive exPlanations)方法,对特征重要性进行定量分析,从而增强模型预测结果的可解释性,提升临床可操作性与信任度.通过系统性实验,对不同特征组合与6种机器学习模型进行对比分析,验证所提出框架的有效性与最优特征组合的稳定性.为进一步评估模型的泛化能力,研究还在外部独立数据集上进行了验证.
结果与结论:实验对比了6种适用于医学领域使用的机器学习模型,结果显示LightGBM模型F1分数为0.902 2,曲线下面积为0.938 7,高于其他模型.在可解释性方面,通过排序并可视化输入特征对结果的贡献程度,提升了模型在临床应用中的可信度和可操作性.此外,该研究实现了原型系统,测试结果显示系统操作简便,能快速处理数据给出预测结果,且可视化结果具有较好的可解释性,能够有效辅助医生进行临床决策,为骨质疏松症的筛查和初步诊断提供了有力支持.
关键词：骨质疏松CT临床辅助决策临床决策支持可解释性预测模型集成学习LightGBM模型SHAP
分类号：R459.9(治疗学)R318(医用一般科学)R687.3(骨科学（运动系疾病、矫形外科学）)
论文发表日期：2025-12-18
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 7499-7510 )
英文信息