一种可迁移的基于阈值的可解释医学数据分类框架
本文提出一种基于伯努利朴素贝叶斯（BNB）模型的统计驱动框架，通过监督χ²引导的统计二值化将连续变量转化为阈值，实现完全可解释的规则化临床分类。在皮马印第安人糖尿病、威斯康星乳腺癌和心力衰竭预测三个基准数据集上，AUC得分分别为0.800、0.984和0.919。概率校准通过Brier分数和beta校准得到改善。模型推理仅需参考表和基本算术，无需专有工具，为医疗AI的可信性和泛化提供实用方案。
医学领域的人工智能应用常因黑盒模型缺乏可解释性和可重复性而受阻。针对这一问题，一项新研究提出了一种基于伯努利朴素贝叶斯（BNB）模型的统计驱动框架，该框架能够生成完全可解释的、基于规则的临床分类。该方法的核心是监督χ²引导的统计二值化，它从连续变量中识别出与临床结果关联最强的阈值。这一转换使BNB模型能有效处理连续医疗数据，同时保持其固有的透明度。研究团队在三个基准数据集上评估了该框架：皮马印第安人糖尿病数据集、威斯康星乳腺癌数据集和心力衰竭预测数据集，分别取得了0.800、0.984和0.919的AUC分数。这些结果表明，该框架在判别性能上不逊于更复杂的模型。除判别性能外，研究人员还通过泄漏安全的交叉验证校准分析评估了概率可靠性，包括Brier分数、校准截距/斜率以及事后beta校准，这些方法进一步改善了数据集的概率校准。结果显示，一个统计上可解释的框架能够提供明确且临床有意义的决策规则和校准的风险估计。为了具体说明这种透明性，论文提供了一个完整的工作示例，展示了如何仅通过参考表和基本算术重现模型推理，无需使用任何软件或专有工具。该工作为在真实医疗环境中支持可信和泛化的AI提供了一种实用方法，有助于克服黑盒模型在临床部署中的障碍。