用于子宫内膜异位症分类的可解释机器学习方法：基于规则的方法

《BMC Medical Informatics and Decision Making》：Interpretable machine learning for endometriosis classification: a rule-based approach

　　

摘要

背景

子宫内膜异位症是一种慢性妇科疾病，其特征是子宫内膜样组织在子宫外生长，导致盆腔疼痛、不孕和其他严重的健康并发症。尽管一些研究试图确定影响子宫内膜异位症及其临床表现的因素，但预测建模方法存在许多局限性。大多数模型基于复杂的算法，在临床环境中难以解释，因此从业者无法轻松应用这些研究结果。此外，以往的许多研究往往集中在特定的患者群体或有限的疾病阶段上，从而在全面理解该疾病方面存在关键空白。本研究的目的是通过使用基于规则的模型来分析子宫内膜异位症各个阶段的临床数据，以应对这些挑战。目标是开发出可解释且可操作的诊断规则，帮助医疗专业人员更好地理解、诊断和管理子宫内膜异位症，同时填补该领域现有的知识空白。

方法

收集并预处理了临床数据，以处理缺失值、选择相关特征和标准化变量。将CN2规则归纳算法应用于1,489条记录（包含52个临床变量），生成将临床变量与子宫内膜异位症概率联系起来的可解释分类规则。使用多种指标评估了模型的性能：准确性、F1分数、精确度和AUC。由临床专家验证了生成的规则，以确保其统计严谨性和实际相关性。

结果

对于二分类问题，CN2模型的AUC为0.906，分类准确率为0.803。对于多类疾病阶段的分类，模型的平均AUC为0.705。主要发现包括盆腔疼痛、痛经、性交痛、严重出血、肿瘤标志物、年龄和BMI。CN2模型生成的规则提供了可解释的见解，有助于更好地理解和管理子宫内膜异位症。

结论

CN2规则归纳模型通过提供可解释且可操作的诊断规则，在填补子宫内膜异位症研究空白方面发挥了重要作用。将其整合到临床实践中可能提高诊断的准确性，减少诊断延迟，并提供治疗策略，从而可能改善患者的治疗效果。

临床试验编号

不适用。

背景

子宫内膜异位症是一种慢性妇科疾病，其特征是子宫内膜样组织在子宫外生长，导致盆腔疼痛、不孕和其他严重的健康并发症。尽管一些研究试图确定影响子宫内膜异位症及其临床表现的因素，但预测建模方法存在许多局限性。大多数模型基于复杂的算法，在临床环境中难以解释，因此从业者无法轻松应用这些研究结果。此外，以往的许多研究往往集中在特定的患者群体或有限的疾病阶段上，从而在全面理解该疾病方面存在关键空白。本研究的目的是通过使用基于规则的模型来分析子宫内膜异位症各个阶段的临床数据，以应对这些挑战。目标是开发出可解释且可操作的诊断规则，帮助医疗专业人员更好地理解、诊断和管理子宫内膜异位症，同时填补该领域现有的知识空白。

方法

收集并预处理了临床数据，以处理缺失值、选择相关特征和标准化变量。将CN2规则归纳算法应用于1,489条记录（包含52个临床变量），生成将临床变量与子宫内膜异位症概率联系起来的可解释分类规则。使用多种指标评估了模型的性能：准确性、F1分数、精确度和AUC。由临床专家验证了生成的规则，以确保其统计严谨性和实际相关性。

结果

对于二分类问题，CN2模型的AUC为0.906，分类准确率为0.803。对于多类疾病阶段的分类，模型的平均AUC为0.705。主要发现包括盆腔疼痛、痛经、性交痛、严重出血、肿瘤标志物、年龄和BMI。CN2模型生成的规则提供了可解释的见解，有助于更好地理解和管理子宫内膜异位症。

结论

CN2规则归纳模型通过提供可解释且可操作的诊断规则，在填补子宫内膜异位症研究空白方面发挥了重要作用。将其整合到临床实践中可能提高诊断的准确性，减少诊断延迟，并提供治疗策略，从而可能改善患者的治疗效果。

临床试验编号

不适用。