@article{作者DasPA2227 = {Das, Nilakash Topalovic, Marko Raskin,乔,Aerts - Troosters,蒂埃里和詹森,Wim}, title ={解释预测的自动化肺功能测试解释算法},体积={54},数量={增刊63},elocation-id = {PA2227} = {2019}, doi ={10.1183/13993003.国会- 2019。【摘要】背景:以前的工作证明了利用机器学习(188bet官网地址ML)实现肺功能测试自动判读诊断呼吸系统疾病的可能性。由于ML是一种黑箱方法，因此理解预测背后的原因对于生成信任至关重要，并且对于计划根据预测采取行动的人来说是至关重要的。目的:我们研究了一种称为局部可解释模型无关解释(LIME)的技术，用于解释以PFT数据(肺活量、阻力、肺容积、扩散能力)为输入的ML分类器的预测，以建议诊断。方法:我们使用1400个历史案例开发了一个ML分类器。我们测试了我们的分类器在50个随机选择的有呼吸问题的受试者谁完成了PFT。一个专家小组从临床、PFT和其他测试数据中得出了黄金标准诊断。我们使用石灰技术为每个分类器预测生成解释性解释。结果:分类器准确率76 %。LIME显示FEV1 Z-score (0.41{\textpm}0.71)和TLCO\%pred (92{\textpm}15\%)是正常和哮喘预测的最高解释特征，而FEV1/FVC (50{\textpm}11\%)和RV\%pred (70{\textpm}15\%)分别是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，LIME为基于mlf的PFT解释算法的临床应用建立了信任。本文脚注引用如下:《欧洲呼吸杂志2019》;54:增刊63,PA2227。This is an ERS International Congress abstract. No full-text version is available. Further material to accompany this abstract may be available at www.ers-education.org (ERS member access only).}, issn = {0903-1936}, URL = {//www.qdcxjkg.com/content/54/suppl_63/PA2227}, eprint = {//www.qdcxjkg.com/content}, journal = {European Respiratory Journal} }