面向基层医疗的肝病风险智能预测模型构建与可解释性研究

邱 晨杰, 熊 焱*
辽宁科技大学理学院

摘要


针对我国基层肝病早期筛查能力不足、AI辅助模型临床适配性差的问题，构建融合临床先验知识的可解释
性肝病风险预测模型。基于5000例模拟体检数据，融合3项临床金标准高阶特征，采用SMOTE联合代价敏感的双
层不平衡优化策略，优选CatBoost算法建立三级分类模型，通过双视角框架验证可解释性。结果显示，模型准确率
95.9%，重症召回率97.6%，健康召回率79.2%，性能稳定且决策符合临床逻辑。该模型支持轻量化部署，可为基层肝
病早筛提供技术支撑。

关键词


肝病风险预测；机器学习；CatBoost；可解释性；基层医疗

全文:

PDF


参考


[1]中华医学会肝病学分会.代谢相关脂肪性肝病防

治指南（2024年版）[J].中华肝脏病杂志，2024，32（5）：

481-505. DOI：10.3760/cma.j.cn501113-20240315-00105.

[2]World Health Organization. Global Hepatitis Report

2024[R]. Geneva: World Health Organization, 2024. ISBN:

978-92-4-009367-7.

[3]王富珍，李健，陈仲丹，等.中国病毒性肝炎消

除进展与未来挑战[J].临床肝胆病杂志，2024，40（10）：

2201-2207. DOI：10.3969/j.issn.1001-5256.2024.10.001.

[4]Zhang Y, Li X, Wang H, et al. An explainable

machine learning model for non-alcoholic fatty liver

disease screening using routine blood tests[C]//2024 IEEE

International Conference on Healthcare Informatics (ICHI).

IEEE, 2024: 1-8. DOI: 10.1109/ICHI61717.2024.00032.

[5]Singh A, Patel K, Sharma M. Artificial intelligence

and digital biomarkers in hepatology: current status, clinical

applications, and future directions[J]. Hepatology International,

2025, 19(2): 345-362. DOI: 10.1007/s12072-024-10678-9.

[6]Prokhorenkova L, Gusev G, Vorobev A, et al.

CatBoost: unbiased boosting with categorical features[C]//

Advances in Neural Information Processing Systems, 2018,

31: 6638-6648.

[7]Lundberg S M, Lee S I. A unified approach to

interpreting model predictions[C]//Advances in Neural

Information Processing Systems, 2017, 30: 4765-4774.

[8]中华医学会肝病学分会，中华医学会感染病学分

会.慢性乙型肝炎防治指南（2022年版）[J].中华传染病杂

志，2023，41（1）：3-28. DOI：10.3760/cma.j.cn311365-

20221215-00529.


Refbacks

  • 当前没有refback。