用于可解释的医疗数据分类的可移植的基于阈值的框架

arXiv:2607.15394v1 公告类型：新 摘要：黑盒模型由于缺乏可解释性和可重复性而限制了人工智能在医学中的采用。我们引入了一个基于统计的框架，该框架使用伯努利朴素贝叶斯 (BNB) 模型提供完全可解释的、基于规则的临床分类。该方法将监督 $\chi^2$ 引导的统计二值化应用于连续变量，识别与训练数据中的临床结果最大化关联的阈值。这种转换使 BNB 能够在不牺牲其固有透明度的情况下有效地处理连续医疗数据。该方法在三个基准数据集上进行了评估：皮马印第安人糖尿病、威斯康星州乳腺癌、和心力衰竭预测，Pima 分析的曲线下面积 (AUC) 得分为 0.800，威斯康星州乳腺癌的曲线下面积 (AUC) 得分为 0.984，心力衰竭预测的曲线下面积 (AUC) 得分为 0.919。实现与更复杂的模型相当的性能，同时提供明确的、临床上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度，一个完整的工作示例表明，可以仅使用参考表和基本算术来重现模型推理，而无需访问软件或专有工具。这项工作提供了一种在现实世界的医疗保健环境中支持值得信赖和通用的人工智能的实用方法。