一种基于可解释机器学习的有效生理学特征选择和医学因果推理方法

摘要

本发明揭示了一种基于可解释机器学习的有效生理学特征选择和医学因果推理方法，包括从电子病历中采集医学数据；通过多种特征选择方法将特征空间解耦成多个有效特征的组合；比较不同的特征选择方法，说明在因果推理领域采用SHAP value的合理性；基于SHAP对模型特征进行评估，分析特征空间与预测结果间的关联；将因果信息纳入特征空间，构建可解释机器学习模型；根据不同的因果模型，用各种Shapley Values提供合理的解释；输出每个特征的重要程度、对样本的贡献度和与预测结果的因果关系。本发明实现了根据有效特征来解释病情发展和进行疾病推理，提高了模型的效果和可解释性以及疾病诊断的准确性。