首页 > 常州大学学报（自然科学版） > 基于集成学习白蛋白水平预测模型的可解释性研究

基于集成学习白蛋白水平预测模型的可解释性研究

Research on the interpretability of an ensemble learning-based model for predicting albumin levels

二维码有效期 120s

摘要白蛋白水平是反映患者营养风险的重要指标.针对白蛋白水平预测数据集缺乏、数据冗余、研究缺乏可解释性的问题,构建完整的营养支持数据集,提出一种集成学习的框架,用于老年患者的白蛋白水平预测.在该研究中,利用基于树结构的贝叶斯优化(TPE)算法优化后的XGBoost(TPE-XGBoost)模型,与其他4种基线模型比较证明其性能,结合模型解释算法(SHAP)进行特征选择并从全局和局部的层面增强模型的可解释性.结果表明,TPE-XGBoost模型简单有效,预测准确率达87.8%,此外,SHAP进行可解释分析得到4项关键因素以及2项因素的阈值效应与临床研究可以互相验证.

作者督静雯 ^[1] 滕飞 ^[2] 林宁 ^[3] 李运明 ^[4] 学术成果认领

作者单位西南交通大学计算机与人工智能学院,四川成都 611756;西部战区总医院营养科,四川成都 610083 ^[1] 西南交通大学计算机与人工智能学院,四川成都 611756 ^[2] 西部战区总医院营养科,四川成都 610083 ^[3] 西部战区总医院医疗保障中心信息科,四川成都 610083 ^[4]

关键词白蛋白水平预测模型可解释性 XGBoost 模型解释算法树结构的贝叶斯优化集成学习 albumin level prediction model interpretability XGBoost SHAP TPE ensemble learning

分类号 R459.3（治疗学）

栏目名称

计算机科学与工程

DOI 10.3969/j.issn.2095-0411.2026.03.010

发布时间 2026-06-04（万方平台首次上网日期，不代表论文的发表时间）

基金项目

四川省干部保健科研课题资助项目（2051-1303）