欧洲呼吸杂志JF - Eur Respir J DO - 10.1183/13993003.congress-2019。PA2227六世- 54 - 5 63 SP - PA2227盟Das Nilakash盟——Topalovic Marko AU -拉斯金,乔盟,Aerts - AU - Troosters蒂埃里AU -詹森,Wim Y1 - 2019/09/28 UR - //www.qdcxjkg.com/content/54/suppl_63/PA2227.abstract N2 -背景:以前的工作证明肺功能测试自动化的可能性解释诊断呼吸道疾病使用机器学习(ML)。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，如果计划根据预测采取行动，这一点非常重要。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、耐药性、肺容量、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。我们在50个随机选择的完成PFT的有呼吸问题的受试者中测试我们的分类器。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的诊断结果。我们应用石灰技术为每个分类器预测生成解释性解释。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%)为COPD和ILD预测的最低解释特征。当顶部特征为负值时，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。脚注引用这篇文章作为: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). ER -