[发明专利]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

权利要求书

1.一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，其特征在于，从特征和结果的角度进行分析，获得样本每个特征与其结果之间的关系，通过有效生理学特征和临床指标来解释病情发展情况，包括如下步骤：

S100、医学数据采集：通过医学电子病历采集病人的生理数据及病情发展情况，得到一个特征空间，并将数据传输至样本数据库；

S200、特征空间解耦：通过多种特征选择方法，保留得分最高的前K个特征，去除不相关特征，将特征空间解耦为用多个有效特征组合的新特征空间，使其能够生成用户希望的数据样本；

S300、特征选择方法对比：通过比较不同特征选择方法所选的有效特征组合的新特征空间，对比不同特征选择方法的适用场景和局限性，说明在因果推理领域采用SHAP value选择特征的合理性；

S400、模型特征评估：基于SHAP分析特征对于最终预测结果产生的影响，利用模型所学习得到的特征权重来分析出特征对于预测结果的贡献，并启发式地发现特征间的组合关联关系；

S500、纳入因果信息：对机器学习模型的特征空间纳入因果信息，提供一个多层次框架理解的认知机制，展现出模型特征空间之间以及与预测结果之间的关联或因果关系，从而构建更符合人类认知的可解释的机器学习模型；

S600、医学因果推理：利用选择的有效特征和构建的可解释机器学习模型，对疾病的分期和分型进行推理，对病情的发展情况进行解释；

S700、分析结果展示：输出每种特征选择方法下每个特征的得分和排名，展示每个特征的重要程度、对样本正负预测的贡献度以及与模型预测结果的关系。

2.如权利要求1所述的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，其特征在于，在步骤S100中，所述特征包括年龄、性别、BMI指数、血压等病人生理学特征以及血清含量、药物剂量等不同疾病的临床指标特征。

3.如权利要求1所述的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，其特征在于，在步骤S200中，所述特征选择方法具体包括：

S201、使用方差分析法，选择最高得分的k个特征；

S202、使用Pearson相关系数法，选择最高得分的k个特征；

S203、使用递归特征消除，选择最高得分的k个特征；

S204、使用交叉验证进行单变量选择，选择最高评分的k个特征；

S205、使用基于树模型的特征选择方法，选择最高得分的k个特征。

4.如权利要求1所述的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，其特征在于，在步骤S201中，先要计算各个特征的方差，得到特征排名，然后根据阈值，选择方差大于阈值的特征。

5.如权利要求1所述的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，其特征在于，在步骤S202中，先要计算每个特征的得分与P值，得到特征排名，然后根据特征和响应变量之间的相关性，进行特征选择。

6.如权利要求1所述的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，其特征在于，在步骤S203中，先用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练，最后得到所有特征的排名，选择特征。

7.如权利要求1所述的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，其特征在于，在步骤S204中，针对每个单独的特征和响应变量先建立预测模型，然后运用交叉验证进行单变量选择，最后根据交叉验证的得分选择特征。

8.如权利要求1所述的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，其特征在于，在步骤S205中，先计算特征的重要程度，去除不相关的特征，最后得到所有特征的排名，进行特征选择。