期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于可解释性机器学习模型的轻型缺血性卒中复发预测研究
1
作者 莫秋红 丁晓波 +2 位作者 李靓 张岩波 李伟荣 《中国卒中杂志》 北大核心 2024年第8期924-930,共7页
目的利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素。方法回顾性收集2020年7—12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因... 目的利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素。方法回顾性收集2020年7—12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读。结果本研究共纳入520例MIS患者,2年内复发93例(17.9%),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95%CI 0.896~0.973)、0.833(95%CI 0.770~0.896)、0.764(95%CI 0.691~0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200。结果显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟。结论本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴。通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策。 展开更多
关键词 轻型缺血性卒中 复发 轻量梯度提升机 shapley加性解释
在线阅读 下载PDF
基于机器学习构建急性心力衰竭患者易损期死亡或再入院风险预测模型 被引量：3
2
作者 曾竟 何小龙 +5 位作者 胡华娟 罗晓宇 郭志念 陈运龙 王敏 王江 《陆军军医大学学报》 CAS CSCD 北大核心 2024年第7期738-745,共8页
目的应用不同机器学习算法构建急性心力衰竭(acute heart failure,AHF)患者易损期死亡或再入院的风险预测模型,并筛选出最优模型。方法选取2019年10月至2021年7月于陆军军医大学第二附属医院心血管内科住院治疗的651例AHF患者为研究对象... 目的应用不同机器学习算法构建急性心力衰竭(acute heart failure,AHF)患者易损期死亡或再入院的风险预测模型,并筛选出最优模型。方法选取2019年10月至2021年7月于陆军军医大学第二附属医院心血管内科住院治疗的651例AHF患者为研究对象,收集入院生命体征、合并症和实验室检查结果等临床资料。复合终点事件定义为AHF患者出院后3个月内发生全因死亡或心衰加重再入院。采用简单随机抽样法将研究对象按8∶2拆分为训练集(521例)和测试集(130例),基于逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、决策树(decision tree,DT)、轻量梯度提升(light gradient boosting machine,LGBM)、极端梯度提升(extreme gradient boosting,XGBoost)和神经网络(neural network,NN)6种机器学习算法分别构建预测模型。采用受试者工作特征曲线(receiver operating characteristic,ROC)和临床决策曲线(decision curve analysis,DCA)对模型的预测性能和临床获益进行评价,使用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对模型的影响。结果651例AHF患者中发生复合终点事件203例(31.2%)。ROC曲线分析显示,LR、RF、DT、LGBM、XGBoost和NN模型的曲线下面积(area under curve,AUC)依次为0.707、0.756、0.616、0.677、0.768、0.681,XGBoost模型的AUC最高,DCA曲线中XGBoost模型的临床决策净获益也更大,整体预测效能最佳。SHAP算法分析得出,影响XGBoost模型输出结果的重要临床特征分别为血清尿酸、D-二聚体、平均动脉压、B型利钠肽、左房前后径、体质量指数和NYHA分级。结论XGBoost模型预测急性心力衰竭患者易损期死亡或再入院风险效果最佳。 展开更多
关键词 急性心力衰竭 易损期 机器学习 预测模型 shapley加性解释算法
在线阅读 下载PDF
基于LSTM-多头混合注意力的可解释换道意图预测
3
作者 高凯 刘健 +3 位作者 刘林鸿 刘欣宇 张金来 杜荣华 《汽车安全与节能学报》 CAS CSCD 北大核心 2024年第5期763-773,共11页
为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shaple... 为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shapley加性解释方法(SHAP)来解释各个特征在特定时间步对模型输出的影响程度,在HighD数据集上进行了实验。并通过SHAP值的可视化,直观解释了换道预测模型在特定时刻的目标车辆的换道行为。结果表明:该换道预测模型在换道前3 s的综合准确率,分别比LSTM、卷积神经网络(CNN)、多头注意力高出4.03%、9.51%、5.16%,这证明了模型在长时域预测的有效性;错误预测样本归因于模型缺陷或样本稀疏。该换道预测模型可为用户进行模型优化提供指导。 展开更多
关键词 自动驾驶汽车 换道意图预测 注意力机制 长短期记忆神经网络(LSTM) shapley加性解释方法(SHAP)
在线阅读 下载PDF
基于不同机器学习方法构建非心脏手术老年患者术后谵妄预测模型
4
作者 石金云 陈荣 +2 位作者 李文媛 纪木火 李青 《临床麻醉学杂志》 北大核心 2025年第3期240-245,共6页
目的采用不同机器学习方法构建非心脏手术老年患者术后谵妄(POD)的预测模型其性能。方法收集2022年4月至2024年4月行非心脏手术的905例老年患者围术期资料,包括人口学特征、既往合并症、术前认知功能评估、实验室检查结果、麻醉记录单等... 目的采用不同机器学习方法构建非心脏手术老年患者术后谵妄(POD)的预测模型其性能。方法收集2022年4月至2024年4月行非心脏手术的905例老年患者围术期资料,包括人口学特征、既往合并症、术前认知功能评估、实验室检查结果、麻醉记录单等共102个变量。采用单因素分析初步筛选危险因素,将有统计学差异(P<0.05)的变量纳入最小绝对收缩与选择算子(LASSO)筛选特征变量,应用随机森林(RF)、支持向量机(SVM)、自适应增强算法(Adaboost)和神经网络(NN)4种机器学习方法构建POD预测模型,采用受试者工作特征曲线下面积(AUROC)、精确度-召回率(PR)曲线的平均精度(AP)、Brier评分等对模型进行综合评估,引入Shapley加性解释(SHAP)对最优机器学习模型进行可解释化分析。结果有155例(17%)患者发生POD,经LASSO回归分析后,确定10个特征变量用于构建机器学习模型。4种机器学习模型中,RF的AUROC最高为0.90(95%CI 0.86~0.93),AP为0.8,Brier评分为0.086。SHAP模型解释性分析显示,对POD贡献度最高的是手术时间。结论在应用4种机器学习方法构建的非心脏手术老年患者POD预测模型中,RF的预测效能最佳。 展开更多
关键词 非心脏外科手术 术后谵妄 机器学习 预测模型 shapley加性解释
在线阅读 下载PDF
基于多模态超声及病理参数的可解释性机器学习模型预测T1~T2期乳腺癌腋窝淋巴结转移负荷
5
作者 张宇 汪珺莉 +2 位作者 范莉芳 陈国仙 强邦红 《中国医学计算机成像杂志》 2025年第4期484-490,共7页
目的:研究利用多模态超声成像和病理参数构建的可解释性机器学习模型在预测T1~T2期乳腺癌患者的腋窝淋巴结(ALN)转移负荷中的临床效用。方法:回顾性分析芜湖市第二人民医院经术后病理证实的260例乳腺癌患者的临床、超声及病理资料。根据... 目的:研究利用多模态超声成像和病理参数构建的可解释性机器学习模型在预测T1~T2期乳腺癌患者的腋窝淋巴结(ALN)转移负荷中的临床效用。方法:回顾性分析芜湖市第二人民医院经术后病理证实的260例乳腺癌患者的临床、超声及病理资料。根据ALN转移负荷状态分为轻度负荷组(0~2个转移淋巴结)及重度负荷组(≥3个转移淋巴结),按6︰4将患者随机分为训练组(n=156)与验证组(n=104)。单因素和多因素logistic回归分析用于甄别T1~T2期乳腺癌患者ALN转移的独立预测因子。利用逻辑回归(LR)、决策树(DT)、随机森林(RF)、支持向量机(SVM)等4种不同机器学习(ML)算法分别构建预测模型,使用受试者工作特征(ROC)曲线下面积(AUC)评估其性能,并通过Shapley加性解释(SHAP)可视化各特征贡献。结果:单因素与多因素logistic回归分析显示自动乳腺全容积成像(ABVS)冠状面汇聚征、超声淋巴结阳性及脉管侵犯是预测T1~T2期乳腺癌ALN转移负荷的独立危险因子。训练组和验证组ML模型的AUC在0.765到0.937之间。其中,SVM模型在验证组中显示出最高的预测性能,其AUC值达到0.937,作为本研究的输出模型,SHAP显示脉管侵犯是ALN转移负荷最重要的危险因子。结论:结合多模态超声与病理参数的可解释性ML模型,可为T1~T2期乳腺癌患者提供更精确的ALN转移负荷评估。特别是SVM模型在验证组中表现突出,显示出其在提升临床决策中的潜在应用价值。 展开更多
关键词 多模态超声 机器学习 乳腺癌 shapley加性解释
在线阅读 下载PDF
基于随机森林法的山核桃林地土壤速效养分含量空间分布特征研究 被引量：3
6
作者 凌晓丹 王罗其 +3 位作者 赵科理 傅伟军 叶正钱 丁立忠 《生态学报》 CAS CSCD 北大核心 2024年第2期662-675,共14页
土壤氮磷钾是土壤肥力管理的重要元素,是植物生长的必要养分元素。对土壤氮磷钾的空间分布进行特征解译,可为精准管理临安山核桃产区林地土壤肥力,促进山核桃林产业可持续发展提供理论依据。研究以临安山核桃主产区为研究区域,利用随机... 土壤氮磷钾是土壤肥力管理的重要元素,是植物生长的必要养分元素。对土壤氮磷钾的空间分布进行特征解译,可为精准管理临安山核桃产区林地土壤肥力,促进山核桃林产业可持续发展提供理论依据。研究以临安山核桃主产区为研究区域,利用随机森林(RF)、普通克里格(OK)和Shapley加性解释(SHAP)方法,结合地形因子、气候因子、土壤因子、遥感因子等环境变量,对山核桃林地土壤碱解氮(AN)、有效磷(AP)、速效钾(AK)的空间分布特征进行分析。研究结果表明:相比于OK模型,基于环境协变量所构建的RF模型对AN、AP和AK含量空间分布预测表现最佳,R^(2)分别为0.68、0.60和0.64,均方根误差(RMSE)分别为20.005、10.287和22.426,平均绝对误差(MAE)分别为15.425、7.709和21.628。RF模型SHAP分析显示,AN和AK含量分布主要受土壤有机质(SOM)的影响,并且SOM与AN和AK存在正相关性;AP主要受pH的影响,其次为色调指数,AP与pH和色调指数均具有负相关性;AK和AP同时受到海拔和坡向的影响。两种模型预测的氮磷钾空间分布趋势总体相似,不同速效养分存在明显的空间异质性。碱解氮高值区域主要分布于研究区东部;有效磷高值区域主要分布于研究区西部,但分散度高;速效钾高值区域则主要分布于研究区中部。总体而言,基于随机森林模型可以高精度模拟山核桃林地土壤氮磷钾含量空间分布特征,并依据主要环境协变量对土壤氮磷钾的影响关系,提出相应改良措施。在有效磷含量低值区域可以施用石灰来缓解土壤酸化,同时补追磷肥;碱解氮含量高值区域可以合理减少氮肥施用;速效钾含量低值区域合理施加钾肥;对于海拔较高及迎风坡多降雨的区域,可以构建林下高效水土保持植被,减轻水土流失;在林地施用有机肥料,改善土壤理化性质,增加土壤养分含量。 展开更多
关键词 山核桃林地 随机森林 shapley加性解释 速效养分
在线阅读 下载PDF
基于机器学习的公交驾驶员事故风险识别及影响因素研究 被引量：4
7
作者 朱彤 秦丹 +2 位作者 魏雯 任杰 冯移冬 《中国安全科学学报》 CAS CSCD 北大核心 2023年第2期23-30,共8页
为从公交驾驶员群体中识别出易发生事故的风险公交驾驶员,结合某市公交公司营运安全管理系统数据库、百度应用程序接口(API)及网络爬取技术,并应用K近邻算法补充缺失值,获取42条线路及1893名驾驶员的数据;基于驾驶员、车辆、线路特征、... 为从公交驾驶员群体中识别出易发生事故的风险公交驾驶员,结合某市公交公司营运安全管理系统数据库、百度应用程序接口(API)及网络爬取技术,并应用K近邻算法补充缺失值,获取42条线路及1893名驾驶员的数据;基于驾驶员、车辆、线路特征、违规行为、事故、管理等基本特征变量构造派生变量;采用包括递归特征消除、有惩罚项的逻辑回归、随机森林的集成方法选择特征;采用极致梯度提升(XGBoost)等6种机器方法分别建立分类模型,并采用贝叶斯方法优化超参数。结果表明:在构建的6个分类模型中,XGBoost方法构建的模型其受试者工作特征(ROC)曲线下的面积(AUC)评估结果最佳;运用贝叶斯方法优化模型,可以在一定程度上提升ROC的AUC指标;对于风险公交驾驶员预测准确率达到98.66%,运营单位还可以根据自身情况权衡虚报率与命中率代价。此外,车辆服役时间、违规次数等特征对于事故风险具有明显的非线性影响。 展开更多
关键词 风险公交驾驶员 机器学习 事故风险 极致梯度提升(XGBoost) shapley加性解释(SHAP)值
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部