抽象
背景:此前的研究证明自动化肺功能测试解释使用机器学习(ML)来诊断呼吸道疾病的可能性。由于ML是一个黑盒方法,了解预测的理由是产生信任的关键,是根本的,如果一个计划基于预测采取行动。
目标:我们研究了一个被称为本地可解释模型无关解释(石灰)技术来解释一个ML分类器需要PFT数据(肺活量测定,电阻,肺容积,扩散能力)作为输入,以提供一个诊断的预测。
方法:我们开发了使用1400的历史情况下,ML分类。我们在与谁完成PFT呼吸问题50个随机选择的科目测试我们的分类。一个专家小组从临床,PFT和其他测试数据所产生的金标准诊断。我们运用LIME技术来生成每个分类预测解释性说明。
结果:分类准确率达76%。LIME显示FEV1 Z-score(0.41±0.71)和TLCO%pred(92±15%)为正常和哮喘预测的最高解释特征,而FEV1/FVC(50±11%)和RV%pred(70±15%)分别为COPD和ILD预测的最低解释特征。当顶部特征为负时,有三个预测是不正确的(图1b)。
结论:通过提供直观的解释,石灰建立的临床应用基于ML-PFT解释算法的信任。
脚注
引用本文为:欧洲呼吸杂志2019;54:增刊。63,PA2227。
这是一个ERS国际会议摘要。没有全文版本。陪这个抽象而且材料可以是可在www.ers-education.org(仅ERS构件访问)。
- 版权所有©作者2019