一種可遷移的基於閾值的可解釋醫學資料分類框架
本文提出一種基於伯努利樸素貝葉斯（BNB）模型的統計驅動框架，透過監督χ²引導的統計二值化將連續變數轉化為閾值，實現完全可解釋的規則化臨床分類。在皮馬印第安人糖尿病、威斯康星乳腺癌和心力衰竭預測三個基準資料集上，AUC得分分別為0.800、0.984和0.919。機率校準透過Brier分數和beta校準得到改善。模型推理僅需參考表和基本算術，無需專有工具，為醫療AI的可信性和泛化提供實用方案。
醫學領域的人工智慧應用常因黑盒模型缺乏可解釋性和可重複性而受阻。針對這一問題，一項新研究提出了一種基於伯努利樸素貝葉斯（BNB）模型的統計驅動框架，該框架能夠生成完全可解釋的、基於規則的臨床分類。該方法的核心是監督χ²引導的統計二值化，它從連續變數中識別出與臨床結果關聯最強的閾值。這一轉換使BNB模型能有效處理連續醫療資料，同時保持其固有的透明度。研究團隊在三個基準資料集上評估了該框架：皮馬印第安人糖尿病資料集、威斯康星乳腺癌資料集和心力衰竭預測資料集，分別取得了0.800、0.984和0.919的AUC分數。這些結果表明，該框架在判別效能上不遜於更復雜的模型。除判別效能外，研究人員還透過洩漏安全的交叉驗證校準分析評估了機率可靠性，包括Brier分數、校準截距/斜率以及事後beta校準，這些方法進一步改善了資料集的機率校準。結果顯示，一個統計上可解釋的框架能夠提供明確且臨床有意義的決策規則和校準的風險估計。為了具體說明這種透明性，論文提供了一個完整的工作示例，展示瞭如何僅透過參考表和基本算術重現模型推理，無需使用任何軟體或專有工具。該工作為在真實醫療環境中支援可信和泛化的AI提供了一種實用方法，有助於克服黑盒模型在臨床部署中的障礙。