RT期刊论文SR电子T1解释的自动肺功能测试解释算法的预测JF欧洲呼吸杂志JO欧洲呼吸ĴFD欧洲呼吸协会SP PA2227 DO 10.1183 / 13993003.congress-2019.PA2227 VO 54增刊63个A1达斯，Nilakash A1188bet官网地址Topalovic，马尔科A1拉斯金，乔A1 Aerts，让 - 玛丽·A1 Troosters，蒂埃里·詹森A1，维姆YR 2019 UL //www.qdcxjkg.com/content/54/suppl_63/PA2227.abstract AB背景：此前的研究证明了可能性来自动肺功能测试解释使用机器学习（ML）来诊断呼吸道疾病。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，如果一个计划基于一个prediction.Objectives采取行动：我们研究了一个名为本地可解释模型无关的解释（LIME）技术解释一个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diagnosis.Methods的预测：我们开发了使用1400年前的情况下，ML分类器。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。我们应用LIME技术以生成用于每个分类prediction.Results解释性的解释：该分类准确度为76％。LIME显示出高FEV1 Z分数（0.41±0.71）和TLCO％预解码值（92±15％），为正常和哮喘预测顶部说明性特征，而低FEV1 / FVC（50±11％）和RV％预解码值（70±15％），用于分别COPD和ILD预测。三个预测是不正确时，顶部的特征是负的（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解释的信任algorithm.FootnotesCite本文为：欧洲呼吸杂志2019; 54: Suppl. 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).