金东镇 1 ; 郭城楠 1 ; 彭芳 1 ; 赵淑珍 1 ; 李慧慧 1 ; 夏喆铮 1 ; 车明珠 1 ; 王亚楠 1 ; 张泽杰 1 ; 毛广运 2

语种 中文 原始文献类型 Periodical 关键词 脂质组学 可解释性机器学习 糖尿病视网膜病变 其他关键词 Lipidomics ; Interpretable machine learning ; Diabetic retinopathy ; SHAP 摘要 目的 基于可解释性机器学习算法构建糖尿病视网膜病病变(diabetic retinopathy,DR)的早期识别模型,并探讨SHAP(SHapley Additive exPlanations)在脂质组学数据中的应用.方法 基于本项目组的DR靶向脂质组学数据,通过可解释性机器学习的方法进行特征筛选;在建立糖尿病视网膜病变的早期识别模型后,通过全局、特征和个体三个层面对模型进行解释,并将SHAP值转换成概率以增强可解释的能力.结果 本研究筛选出了 5 种内源性脂质代谢物,构建了一个性能较为优秀的糖尿病视网膜病变的早期识别模型,并成功使用SHAP及概率解锁了模型.结论 脂质代谢物质可以应用于糖尿病视网膜病变的早期识别;SHAP在进行黑盒模型的解锁时表现出色,且有较高的实践应用价值. 资助项目 2021R413062:浙江省大学生科技创新活动计划;2020YFC2008201:国家重点研发计划;LGF19H260011:浙江省基础社会公益项目;81670777:国家自然科学基金 ISSN 1002-3674 卷号 40 期号: 4 页码: 511-515 DOI 10.11783/j.issn.1002-3674.2023.04.007 收录类别 万方 ; ISTIC ; 北大核心 ; CSCD URL 查看原文 文献类型 期刊论文 条目标识符 https://kms.wmu.edu.cn/handle/3ETUA0LF/183949 专题 公共卫生学院
眼视光学院（生物医学工程学院）、附属眼视光医院
作者单位