亮点
• 提出从临床文本进行冠状动脉疾病(CAD)分类的可解释人工智能方法。
• 使用来自三家转诊医院的多中心出院总结数据。
• 引入具有泄漏感知的自然语言处理管道和TF-IDF特征。
• 使用XGBoost和SVM实现高CAD分类性能。
• 通过SHAP解释预测结果并验证跨医院鲁棒性。
摘要
冠状动脉疾病(CAD)仍然是全球主要的健康问题，突显了对准确和及时诊断工具的需求。然而，许多与CAD相关的临床信息以电子健康记录中的非结构化文本形式存在，限制了其在自动化系统中的可用性。本研究介绍了一种使用真实世界出院总结进行CAD分类的可解释人工智能(XAI)流程。从2021年至2024年，从巴勒斯坦的三家医院收集了4464份报告，并使用泄漏感知的NLP流程进行处理。文本数据使用带有n-gram的TF-IDF表示，并与从文本中提取的结构化临床特征相结合。评估了七种经典机器学习模型和两种深度学习模型(BiLSTM和ClinicalBERT)。XGBoost达到了最高的准确率(96.08%)，而SVM展示了最佳ROC-AUC(97.79%)。使用多个指标评估模型性能，包括F1分数、敏感性和特异性。通过使用SHAP实现可解释性，提供了与CAD知识一致的临床有意义的特征洞察。尽管深度学习模型表现出竞争力，但它们缺乏透明度。总体而言，经典模型结合可解释特征为CAD决策支持提供了一种有效且实用的解决方案，特别是在资源有限的医疗环境中。
引言
冠状动脉疾病(CAD)是全球死亡的主要原因之一，每年约导致1790万人死亡，占全球死亡总数的近32%[1]。CAD是由动脉粥样硬化斑块积累导致的心肌血液供应逐渐受限，可能导致心肌梗死、不稳定型心绞痛和猝死[2],[3]。因此，及时检测对患者预后和减少全球医疗系统的巨大经济负担至关重要[1]。
传统的CAD诊断依赖于心电图、肌钙蛋白水平、脂质谱和超声心动图等结构化临床数据[1]。然而，大量与临床相关的信息以电子健康记录(EHR)中的非结构化自由文本形式存在，包括医生笔记、出院总结和放射学报告[4],[5]。这些信息涵盖了症状进展、心血管风险因素和用药史，这些在结构化格式中缺失，造成了关键的差距，增加了漏诊的风险[2],[6]。处理此类自由文本本质上具有挑战性，因为存在医学缩写、文档变异性以及复杂的临床推理[7],[8],[9]。
自然语言处理(NLP)为从非结构化临床文本中提取诊断特征提供了一个有前景的解决方案[6],[10],[11]。逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、极端梯度提升(XGBoost)、朴素贝叶斯(NB)、决策树(DT)和K近邻(KNN)等，在使用词频-逆文档频率(TF-IDF)方法时表现良好[4],[11],[12]，而双向长短期记忆(BiLSTM)和双向编码器表示来自变换器(BERT)等深度学习技术已被证明在使用非结构化临床文本提取诊断特征方面具有潜力[6],[10],[13]。然而，临床适用性仍然较低，这归因于模型缺乏可解释性，这是心血管医学中的一个关键方面，因为算法做出的决策必须在采取行动前得到验证[2],[3],[8],[9]。
可解释AI(XAI)方法，特别是SHapley Additive exPlanations(SHAP)，已成为解决这种可解释性差距的有原则的解决方案，为经典和深度学习模型提供理论上有根据的特征级解释[3],[14],[15]。然而，现有心血管医学中的XAI研究仅关注结构化表格数据；没有先前的工作将SHAP应用于来自临床文本的NLP衍生特征，也没有在多个机构中验证此类模型。这构成了临床可部署的CAD决策支持系统开发中的一个基本差距。
为了解决这些差距，我们提出了一个使用来自巴勒斯坦(2021-2024)三家转诊医院的真实世界出院总结进行CAD分类的可解释NLP流程。主要贡献是：
• 一个真实世界、多中心的4464份出院总结数据集，使用ICD-10代码标记并由认证医师验证。
• 一个泄漏敏感的NLP预处理流程，防止诊断后术语污染模型训练。
• 使用混合TF-IDF和结构化临床特征表示，对七种经典ML模型和两种DL架构(BiLSTM和ClinicalBERT)进行综合评估。
• 应用于NLP衍生临床特征的SHAP全局可解释性分析，识别与已建立的CAD病理生理学一致的预测因子。
• 通过在三家机构中使用留一医院出(LOHO)验证策略评估医院的泛化能力。
本文其余部分组织如下：第2节回顾相关工作。第3节描述材料和方法。第4节介绍结果和讨论。第5节解决限制。第6节总结本文。
相关工作
过去十年，CAD分类技术迅速发展，涵盖了经典机器学习、深度学习、基于Transformer的NLP以及可解释AI框架。尽管取得了这些进展，但可解释性、非结构化文本处理和多中心泛化能力的交叉领域在很大程度上仍未被探索。
材料与方法
本节分为三个部分。第一部分是"材料"，讨论数据集及其收集过程。第二部分是"方法"，讨论NLP流程。最后一部分是"实验"，讨论验证过程和环境。
内部验证性能
表3总结了使用分层5折交叉验证评估的所有模型的分类性能。
跨医院泛化能力(LOHO验证)
在本小节中，我们评估了所提出框架的稳健性和实际应用能力。为此，我们采用了留一医院出(LOHO)验证策略。在此设置中，使用两家医院的数据进行训练，而将剩余的一家医院专门用于测试。该协议严格评估了模型的能力...
限制
尽管取得了良好的结果，但需要指出一些局限性。首先，数据来自单一国家的医院环境；因此，有必要在国际多中心环境中扩大数据收集范围。其次，尽管使用了LOHO验证，但仅使用了三家机构，这限制了验证的统计效力。需要进一步的多中心验证来...
结论与未来工作
在本研究中，我们提出了一种使用NLP方法的可解释机器学习框架，用于从非结构化出院总结中诊断冠状动脉疾病(CAD)。所提出的方法通过多种经典机器学习和深度学习模型证明了强大的预测性能。XGBoost在内部验证的标准80/20分割和用于外部跨医院评估的LOHO策略中均达到了最高的整体准确率和稳定的性能。通过...
作者贡献声明
Majdi Jaradat：原始草稿撰写、可视化、软件、方法论、调查、正式分析、数据整理、概念化。Mohammed Awad：审阅与编辑、验证、监督、方法论、正式分析、概念化。
资金声明
作者声明本研究未获得任何资金支持。
利益冲突声明
作者声明，他们没有已知的可能影响本文报告工作的竞争性财务利益或个人关系。
致谢
作者衷心感谢巴勒斯坦卫生部为获取本研究中使用的临床数据所提供的便利。我们真诚感谢心脏病专家在数据准备和临床解释方面的宝贵支持。
【全文结束】