综述：生物医学时间序列分析中机器学习算法的可解释性与准确性——范围综述

这篇综述系统评估了机器学习（ML）在生物医学时间序列（BTS）分析中的可解释性（interpretability）与准确性（accuracy）的平衡问题，重点探讨了心电图（ECG）、脑电图（EEG）等信号的应用现状。文章通过筛选3万篇文献，指出当前研究过度追求深度学习（DL）的高精度而忽视模型可解释性，并推荐决策树（DT）、K近邻（KNN）等白盒模型及广义加性模型（GAM）等折中方案，为医疗高风险领域提供可信赖的算法选择。

　　

引言

当代临床决策支持系统依赖高精度机器学习模型，但生物医学时间序列（BTS）分析面临关键矛盾：深度学习模型（如卷积神经网络CNN、视觉变换器ViT）虽在心律失常分类、癫痫预测等任务中表现优异（准确率>95%），却因"黑盒"特性难以获得医学界信任。本文通过系统性文献分析，揭示当前BTS研究更关注模型效率而非可解释性，而医疗领域亟需两者平衡的解决方案。

可解释机器学习方法综述

方法分类与性能
可解释模型分为决策树（DT）、规则学习（RL）、广义线性模型（GLM）等类型。如图1所示，决策树和规则学习模型（如CART、IDS）可解释性最高，但准确率普遍低于85%；而广义加性模型（GAM）如XBM（Explainable Boosted Machine）通过特征交互优化，在阿尔茨海默病EEG检测中达到99%准确率，同时保持临床可理解的决策逻辑。

应用场景分析
筛选出的20项高质量研究表明，KNN和DT是ECG/EEG分析的主流方法。例如：

• KNN在充血性心力衰竭（CHF）预测中准确率达80%（灵敏度0.77）
• DT用于睡眠分期准确率93%，优于传统AASM评分规则
  值得注意的是，这些模型依赖特征工程（如HRV时频特征、小波变换），而公共数据集稀缺导致研究集中在癫痫、情绪识别等有限病种。

高精度非可解释模型现状

深度学习主导格局
21项顶尖研究中，95%采用CNN、LSTM或混合架构。典型案例如：

• ResNet-ECG模型对6种心脏病的F1值达0.93
• 3D-CANN神经网络在情绪识别中实现97%准确率
  这些模型通过端到端学习自动提取特征，但结构复杂性导致医生无法追溯决策路径。例如，Transformer模型虽在睡眠分期中表现优异（κ=0.83），其注意力机制的可解释性仍存争议。

数据局限性
研究高度依赖MIT-BIH、PhysioNet等公开数据集，导致应用场景同质化。如图A.1所示，80%论文聚焦心律失常、癫痫等5类疾病，而EMG、PPG等信号研究明显不足。

可解释性与精度的桥梁

新兴算法尝试突破传统界限：

1. 优化决策树：OCT-H（Optimal Classification Trees）通过整数规划生成精简树结构，在创伤预后预测中媲美随机森林
2. 规则学习进阶：GLRM（Generalized Linear Rule Models）融合逻辑回归与规则学习，特征重要性可量化
3. 可解释神经网络：NAM（Neural Additive Models）对EEG特征进行逐变量建模，在ADHD检测中准确率99%

结论

当前BTS分析存在"精度优先"的失衡现象，但XBM、OCT-H等新型算法证明两者可协同提升。未来研究应扩大病种覆盖，并建立标准化的可解释性评估框架，以加速ML模型在临床的落地应用。