期刊文献+
共找到8篇文章
< 1 >
每页显示 20 50 100
磁共振高分辨率延迟期的可解释性机器学习模型术前预测浸润性乳腺癌组织学分级
1
作者 匡静 黄松涛 +1 位作者 黄小华 胡云涛 《磁共振成像》 北大核心 2025年第5期164-169,216,共7页
目的探讨基于磁共振高分辨率增强延迟期图像的夏普利加性解释(Shapley additive explanations,SHAP)机器学习模型术前预测非特殊型浸润性乳腺癌组织分级的价值。材料与方法回顾性收集2019年1月至2023年12月154例非特殊型浸润性乳腺癌患... 目的探讨基于磁共振高分辨率增强延迟期图像的夏普利加性解释(Shapley additive explanations,SHAP)机器学习模型术前预测非特殊型浸润性乳腺癌组织分级的价值。材料与方法回顾性收集2019年1月至2023年12月154例非特殊型浸润性乳腺癌患者的临床-病理-影像学资料,根据病理活检结果将Ⅰ级、Ⅱ级纳入低级别组和Ⅲ级纳入高级别组。按7∶3比例随机分为训练组(n=107)和验证组(n=47)。利用3D slicer勾画病灶边缘并提取影像组学特征。通过多因素分析筛选影像组学特征。通过随机森林(random forest,RF)、logistic回归建立影像组学特征模型,采用logistic回归建立临床模型、影像学模型,以及影像学-临床-影像组学特征联合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积AUC(area under the curve,AUC)、准确率评估模型的效能,模型比较采用DeLong检验。通过SHAP分析可视化特征在模型中的贡献度和重要性。结果孕激素受体(progesterone receptor,PR)、肿瘤边界、细胞增殖因子(Ki-67)、雌激素受体(estrogen receptor,ER)在低级别组和高级别组之间差异有统计学意义(P<0.05)。基于影像学-临床-影像组学特征的联合模型术前预测浸润性乳腺癌组织分级的AUC值最高,在训练组和验证组的AUC分别为0.807(95%CI:0.723~0.891)、0.890(95%CI:0.795~0.984)。两种独立的影像组学特征模型中,logistic影像组学模型无明显过拟合,在训练组和验证组的AUC分别为0.750(95%CI:0.655~0.846)、0.801(95%CI:0.667~0.936)。临床模型、影像学模型在训练组的AUC分别为0.661(95%CI:0.551~0.771),0.600(95%CI:0.493~0.706),在验证组的AUC分别为0.789(95%CI:0.645~0.933),0.708(95%CI:0.565~0.850)。结论联合模型术前预测非特殊型浸润性乳腺癌分级的效能较好,可为临床术前治疗乳腺癌提供一定指导。 展开更多
关键词 磁共振成像 可解释性机器学习 高分辨率延迟期成像 浸润性乳腺癌 分级
在线阅读 下载PDF
缺资料地区可解释性混合机器学习模型中长期径流预报
2
作者 由宇军 白云岗 +4 位作者 卢震林 张江辉 曹彪 李文忠 余其鹰 《长江科学院院报》 北大核心 2025年第7期52-59,共8页
在无资料地区气象、水文等观测资料缺乏,影响径流预报的准确性,直接影响水文预报和防汛抗旱工作的开展。分析无资料地区现有的降水、气温和径流数据在中长期预报中的适用性,进而实现径流预报非常重要。分别采用卷积神经网络算法(CNN)、... 在无资料地区气象、水文等观测资料缺乏,影响径流预报的准确性,直接影响水文预报和防汛抗旱工作的开展。分析无资料地区现有的降水、气温和径流数据在中长期预报中的适用性,进而实现径流预报非常重要。分别采用卷积神经网络算法(CNN)、双向门控循环神经网络(BiGRU)、注意力机制(Attention)和优化粒子群算法(IPSO)构建CNN-BiGRU-Attention、IPSO-CNN-BiGRU-Attention组合模型,再与门控循环单元模型(GRU)和ABCD水量平衡模型进行对比分析,并在玉龙喀什河进行综合评估,并结合SHAP可解释性机器学习方法探究最优模型中输入特征对径流影响的贡献程度。结果表明:加入降水和气温的组合模型IPSO-CNN-BiGRU-Attention预测精度整体优于CNN-BiGRU-Attention、GRU模型,与实际值能够较好地吻合;随着预见期的增加,提出的组合模型在验证期内均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)、纳什效率系数(NSE)分别为2.11、1.32 m^(3)/s、73.76%和0.94,并且在前3个月预报精度最高。该方法在缺资料地区月径流预报中具有较好的效果。 展开更多
关键词 径流预报 缺资料地区 SHAP可解释性机器学习方法 组合模型IPSO-CNN-BiGRU-Attention 预测精度
在线阅读 下载PDF
基于可解释性机器学习的ECD敏感性分析与预测技术 被引量:1
3
作者 马磊 周波 +4 位作者 张宁俊 杨恒 蔡新树 刘征 徐同台 《钻井液与完井液》 CAS 北大核心 2023年第5期563-570,共8页
当量钻井液循环密度(ECD)计算过于繁琐耗时,且其敏感性规律尚未得到明确认识。为此,采用ProHydraulic软件对克深区带的1928个数据点进行分析,以确定ECD的理论值,并建立了相关的特征参数。同时,利用可解释性机器学习方法SHAP对钻井液特... 当量钻井液循环密度(ECD)计算过于繁琐耗时,且其敏感性规律尚未得到明确认识。为此,采用ProHydraulic软件对克深区带的1928个数据点进行分析,以确定ECD的理论值,并建立了相关的特征参数。同时,利用可解释性机器学习方法SHAP对钻井液特性、钻进参数和环空容积等关键因素进行了敏感性分析。最终,利用线性回归构建克深区带计算ECD的经验公式,涵盖了12个主要特征参数。结果表明,该模型表现优异,测试集决定系数达到0.963,平均绝对误差仅为0.04,为实际工程应用推出了简明、高效的经验公式。 展开更多
关键词 ECD 敏感性分析 可解释性机器学习 线性回归模型
在线阅读 下载PDF
预测重症缺血性脑卒中死亡风险的模型:基于内在可解释性机器学习方法 被引量:8
4
作者 罗枭 程义 +1 位作者 吴骋 贺佳 《南方医科大学学报》 CAS CSCD 北大核心 2023年第7期1241-1247,共7页
目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试... 目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益。结果本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10~0.80时,其预测净获益率最大。基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179~0.370。结论建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因。 展开更多
关键词 重症缺血性脑卒中 内在可解释性机器学习 解释提升机 死亡预测
在线阅读 下载PDF
从SHAP到概率——可解释性机器学习在糖尿病视网膜病变靶向脂质组学研究中的应用 被引量:2
5
作者 金东镇 郭城楠 +7 位作者 彭芳 赵淑珍 李慧慧 夏喆铮 车明珠 王亚楠 张泽杰 毛广运 《中国卫生统计》 CSCD 北大核心 2023年第4期511-515,共5页
目的基于可解释性机器学习算法构建糖尿病视网膜病病变(diabetic retinopathy,DR)的早期识别模型,并探讨SHAP(SHapley Additive exPlanations)在脂质组学数据中的应用。方法基于本项目组的DR靶向脂质组学数据,通过可解释性机器学习的方... 目的基于可解释性机器学习算法构建糖尿病视网膜病病变(diabetic retinopathy,DR)的早期识别模型,并探讨SHAP(SHapley Additive exPlanations)在脂质组学数据中的应用。方法基于本项目组的DR靶向脂质组学数据,通过可解释性机器学习的方法进行特征筛选;在建立糖尿病视网膜病变的早期识别模型后,通过全局、特征和个体三个层面对模型进行解释,并将SHAP值转换成概率以增强可解释的能力。结果本研究筛选出了5种内源性脂质代谢物,构建了一个性能较为优秀的糖尿病视网膜病变的早期识别模型,并成功使用SHAP及概率解锁了模型。结论脂质代谢物质可以应用于糖尿病视网膜病变的早期识别;SHAP在进行黑盒模型的解锁时表现出色,且有较高的实践应用价值。 展开更多
关键词 脂质组学 可解释性机器学习 糖尿病视网膜病变 SHAP
在线阅读 下载PDF
基于最小不满足核的随机森林局部解释性分析 被引量:2
6
作者 马舒岑 史建琦 +2 位作者 黄滟鸿 秦胜潮 侯哲 《软件学报》 EI CSCD 北大核心 2022年第7期2447-2463,共17页
随着机器学习在安全关键领域的应用愈加广泛,对于机器学习可解释性的要求也愈加提高.可解释性旨在帮助人们理解模型内部的运作原理以及决策依据,增加模型的可信度.然而,对于随机森林等机器学习模型的可解释性相关研究尚处于起步阶段.鉴... 随着机器学习在安全关键领域的应用愈加广泛,对于机器学习可解释性的要求也愈加提高.可解释性旨在帮助人们理解模型内部的运作原理以及决策依据,增加模型的可信度.然而,对于随机森林等机器学习模型的可解释性相关研究尚处于起步阶段.鉴于形式化方法严谨规范的特性以及近年来在机器学习领域的广泛应用,提出一种基于形式化和逻辑推理方法的机器学习可解释性方法,用于解释随机森林的预测结果.即将随机森林模型的决策过程编码为一阶逻辑公式,并以最小不满足核为核心,提供了关于特征重要性的局部解释以及反事实样本生成方法.多个公开数据集的实验结果显示,所提出的特征重要性度量方法具有较高的质量,所提出的反事实样本生成算法优于现有的先进算法;此外,从用户友好的角度出发,可根据基于反事实样本分析结果生成用户报告,在实际应用中,能够为用户改善自身情况提供建议. 展开更多
关键词 机器学习可解释性 特征重要性 反事实样本 形式化方法 逻辑推理
在线阅读 下载PDF
基于改进LeNet5卷积神经网络的微震监测波形识别与过程解释 被引量:4
7
作者 李佳明 唐世斌 +3 位作者 翁方文 李焜耀 要华伟 何青源 《Journal of Central South University》 SCIE EI CAS CSCD 2023年第3期904-918,共15页
在微震大数据时代背景下,开发高精度、可解释、适应性强的波形自动分类算法变得越来越重要。针对现有网络波形识别和分类的不足,基于LeNet框架提出了一种适用于微震监测波形识别的改进模型。应用改进后的模型对引汉济渭工程8个月内出现... 在微震大数据时代背景下,开发高精度、可解释、适应性强的波形自动分类算法变得越来越重要。针对现有网络波形识别和分类的不足,基于LeNet框架提出了一种适用于微震监测波形识别的改进模型。应用改进后的模型对引汉济渭工程8个月内出现的13种微震监测信号进行了研究。结果表明,改进模型中最佳框架的精度为0.98,比原模型提高了0.10。所有改进模型的平均精确度、召回率和F1值分别提高了0.11、0.12和0.12。同时,改进后的模型可以对整个波形的识别过程可视化。在某些信号类别中,改进的模型主要通过关注背景信息而不是波形来分类,为微震监测工程中信号的智能分类提供了参考。 展开更多
关键词 微震监测 波形分类 改进LeNet 可解释性机器学习
在线阅读 下载PDF
融合LightGBM和SHAP的井漏类型判断及主控因素分析 被引量:3
8
作者 陈林 陆海瑛 +4 位作者 王泽华 李城里 杨恒 张茂欣 徐同台 《钻井液与完井液》 CAS 北大核心 2023年第6期771-777,共7页
在塔里木盆地库车山前地区,盐膏层和目的层的地质条件复杂,钻井过程中面临许多挑战。这种复杂性导致井漏在钻井过程中频繁发生,带来巨大的经济损失。研究采用LightGBM算法建立了井漏判断模型,LightGBM模型判别性能较好,平均召回率为85%... 在塔里木盆地库车山前地区,盐膏层和目的层的地质条件复杂,钻井过程中面临许多挑战。这种复杂性导致井漏在钻井过程中频繁发生,带来巨大的经济损失。研究采用LightGBM算法建立了井漏判断模型,LightGBM模型判别性能较好,平均召回率为85%,精确率为91%,F1-Socre为86.7%。同时利用了基于SHAP值的可解释性机器学习技术分别针对单次井漏事件和所有井漏事件进行分析。SHAP值方法基于合作博弈理论,它将井漏事件的发生分解为不同特征的贡献值,以解释每个特征对于井漏事件的影响。研究发现,Δρ(钻井液密度与地层破裂压力当量钻井液密度的差值)、排量、井深和层位是导致井漏的主要影响因素。同时针对库车山前地区的盐膏层和目的层的地质情况,深入分析了层内地质影响和层间垂直分布影响。由此,现场工程师能够准确、快速地判断井漏类型,为防漏堵漏措施制定提供了有力支持。 展开更多
关键词 井漏 LightGBM 可解释性机器学习 主控因素 井漏类型
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部