XGBoost-SHAP机器学习可解释框架用于轻度认知障碍分类研究

摘要

目的 利用机器学习算法对轻度认知障碍(mild cognitive impairment, MCI)亚型分类有利于患者的个性化治疗，而复杂模型常因分类过程的内部机制不可洞察而饱受诟病，本研究借助可解释技术梳理模型的输出结果，以期为相关领域研究者的决策提供统计支持。方法 本研究联合极限梯度提升(eXtreme Gradient Boosting, XGBoost)与沙普利可加性(SHapley Additive exPlanations, SHAP)构建可解释性框架，用于遗忘型MCI(amnestic MCI, aMCI)和非遗忘型MCI(non-amnestic naMCI)的分类，并根据联合框架输出结果进行解读。结果 联合框架输出aMCI和naMCI的最佳分界值为0.51,XGBoost分类准确率、灵敏度、特异度、F1值、AUC分别为92.81%、94.94%、90.54%、0.93、0.96。SHAP个性化预测结果，7号和31号示例个体被预测为aMCI的概率分别为0.27和0.91;全局性解释结果，不同个体随着CEREALL、ORIENT、CDRSUM、LCMF、RSUPMAR、RMEDORBF、LPOSCENM等指标的shapley值增大，患aMCI的风险越大，上述指标可以解释为aMCI发生的危险因素，而RENT、MMSEORDA、CRAFTVRS等则相反，可以解释为aMCI发生的保护因素。结论 XGBoost-SHAP联合框架用于MCI亚型分类效果较为理想，实现了特定个体不同特征预测效果的比较、不同个体给定特征预测能力的判断，为相关研究者打开了洞察复杂模型内在机制的大门。

关键词

机器学习 / 可解释性 / 极限梯度提升-沙普利可加性 / 轻度认知障碍 / 分类