基于可解释人工智能的特征选择方法：在重症监护病房预测拔管成功率中的应用

《Scientific Reports》：Feature selection methodology based on explainable AI: application in predicting extubation success in the intensive care unit

　　

摘要

高维医学数据由于噪声和维度灾难（curse of dimensionality）而阻碍了预测建模，因此强大的特征选择（FS）变得至关重要。我们提出了一种与模型无关的特征选择方法，该方法将三种解释器——SHAP、LIME和分层相关性传播（LRP）——整合成一个共识特征排名，然后使用真正例（TP）特定的属性对其进行重新排序。利用MIMIC-IV数据库，我们分析了19,567名接受机械通气的患者，并训练了一个多层感知器来预测拔管成功率。在测试集上，所提出的XAI特征选择方法获得了0.8527（±0.01）的AUROC值和0.8275±0.01的敏感性，其性能与传统统计方法、基于包装器的方法以及单一解释器的特征选择方法相当，同时优先选择了紧凑、高度可解释且在临床上合理的特征子集。关键预测因子与已建立的拔管准备标准高度吻合，证明了它们的实际相关性。在另外七个医学预测数据集上的实验中，该框架在大多数分类任务上提升了性能，表明其具有超出拔管场景的泛化潜力。这些发现表明，以真正例为中心的多解释器特征选择方法能够提供稳健、可解释的模型，并在高风险的ICU决策支持中建立可靠的共识特征排名。