研究室论文《A Questionnaire-based Explainable Breast Cancer Risk Assessment Method via Multi-type Classifiers 》被IEEE Sensors Journal录用。
论文主要内容如下：
问卷调查是针对大规模潜在乳腺癌人群进行初步筛查的重要工具，但传统方法往往依赖于广泛的风险因素，且缺乏临床可解释性。本研究提出了一种可解释的风险评估框架，利用极简的问卷特征，在大规模筛查中平衡临床可解释性与计算效率。首先，采用了一个包含280,660名受试者的常见问卷数据集，该数据集包含九项风险因素，称为“乳腺癌监测联盟”（BCSC）。其次，分别使用两种流行的分类器——多项式逻辑回归和极端梯度提升（XGBoost）——来评估乳腺癌的高风险或低风险水平。最后，采用Shapley加法解释（Shap）算法及其变体，分析每种分类器对应的特征重要性，并评估其计算复杂度。实验结果表明，多项式逻辑回归与XGBoost均优于经典的乳腺癌风险评估工具（BCRAT），其中XGBoost取得了最高的ROC-AUC值（78.07%）和灵敏度（80.96%）。特征重要性分析算法TreeSHAP同样与XGBoost一样，在准确性和效率之间达到了最佳平衡。通过提供风险因素贡献的透明解释，本框架可作为大规模早期筛查中风险分层与患者分流的实用决策支持工具。
图 基于问卷调查的乳腺癌风险评估框架