基于非结构化临床文本的冠状动脉疾病分类可解释人工智能:基于SHAP的分析
本研究介绍了一种使用真实世界出院摘要进行冠状动脉疾病(CAD)分类的可解释人工智能(XAI)流程,从2021年至2024年期间巴勒斯坦的三家医院收集了4464份报告,并使用防数据泄露的NLP流程进行处理。研究评估了七种经典机器学习模型和两种深度学习模型(BiLSTM和ClinicalBERT),发现XGBoost达到了最高的准确率(96.08%),而SVM展示了最佳的ROC-AUC(97.79%),并通过SHAP实现了模型可解释性,提供了与CAD知识一致的临床特征洞察。尽管深度学习模型表现出有竞争力的性能,但缺乏透明度,而结合可解释特征的经典模型为CAD决策支持提供了一种有效且实用的解决方案,尤其是在资源有限的医疗环境中。

