异位妊娠的早期准确诊断：一种基于SHAP的可解释机器学习方法

《IEEE Women in Engineering Magazine》：Early and Accurate Diagnosis of Ectopic Pregnancy: A SHAP-Based Explainable Machine Learning Approach

　　

宫外孕（EP）是导致孕产妇发病率和死亡率的重要原因，尤其是在妊娠前三个月。当受精卵在子宫腔外着床时就会发生这种情况，其中输卵管是最常见的着床部位。早期和准确的诊断对于预防输卵管破裂和出血等并发症至关重要。传统的诊断方法依赖于经阴道超声（TVUS）和连续的β-hCG检测，但这些方法有时可能得出不确定的结果。人工智能领域的最新进展显示出了提高宫外孕检测精准度的潜力。本研究探讨了使用基于人工智能的分类模型，通过常规可获得的临床数据来预测妊娠结局。数据集包含了从实际临床实践中收集的310份患者记录。评估了几种分类方法，特别关注基于树的集成模型。实验结果表明，LightGBM DART模型的表现优于其他评估的模型，其总体准确率为0.9161，宏观AUC为0.9409，平衡准确率为0.9080，其次分别是CatBoost和基于直方图的梯度提升模型。为了提高模型的透明度和临床可解释性，应用了Shapley加性解释（SHAP）来识别对模型预测影响最大的特征。这些发现表明，基于可解释人工智能（XAI）的预测模型可以在妊娠早期随访期（第0-12天）支持早期和准确的诊断，帮助临床医生及时做出决策，并可能改善患者管理，而不仅仅作为第0天初次分诊的独立工具。