摘要：集成学习：是一种机器学习方法，它结合多个模型来提高预测性能和鲁棒性。集成学习通常包括多种类型子模型，这些子模型分别进行训练，并通过投票、平均或加权合并等方式整合预测结果，能够减少过拟合的风险，提高模型的泛化能力，达到更高的预测准确率。

文题释义：

集成学习：是一种机器学习方法，它结合多个模型来提高预测性能和鲁棒性。集成学习通常包括多种类型子模型，这些子模型分别进行训练，并通过投票、平均或加权合并等方式整合预测结果，能够减少过拟合的风险，提高模型的泛化能力，达到更高的预测准确率。

SHAP：即SHapley Additive exPlanations，是一种可解释性框架，常被用于解释机器学习模型的预测结果。它基于博弈论中的沙普利值(Shapley values)，通过量化每个特征对模型预测的贡献度来进行解释。SHAP方法能够帮助研究者和医生理解模型做出特定预测的原因，从而提高模型的透明度和可信度。

背景：随着社会人口老龄化程度加剧，骨质疏松症发病率正逐年递增，相应的筛查和诊断需求给医疗系统带来了巨大挑战，也增加了患者接受检查的时间成本、经济负担和辐射暴露的风险。

目的：构建基于传统CT检查数据和人口统计学数据的新型可解释性预测方法。

方法：设计了一个两阶段可解释性骨质疏松预测框架。第1阶段，采用人机协同标注CT图像，创新性地提出了椎骨7点CT值测量方法，并将患者的性别与年龄作为关键人口统计学特征纳入特征集，显著丰富了模型的输入信息；第2阶段，在LightGBM模型的基础上，引入了SHAP(SHapley Additive exPlanations)方法，对特征重要性进行定量分析，从而增强模型预测结果的可解释性，提升临床可操作性与信任度。通过系统性实验，对不同特征组合与6种机器学习模型进行对比分析，验证所提出框架的有效性与最优特征组合的稳定性。为进一步评估模型的泛化能力，研究还在外部独立数据集上进行了验证。

结果与结论：实验对比了6种适用于医学领域使用的机器学习模型，结果显示LightGBM模型F1分数为0.902 2，曲线下面积为0.938 7，高于其他模型。在可解释性方面，通过排序并可视化输入特征对结果的贡献程度，提升了模型在临床应用中的可信度和可操作性。此外，该研究实现了原型系统，测试结果显示系统操作简便，能快速处理数据给出预测结果，且可视化结果具有较好的可解释性，能够有效辅助医生进行临床决策，为骨质疏松症的筛查和初步诊断提供了有力支持。

https://orcid.org/0000-0002-4538-0225(唐琳)

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 骨质疏松, CT, 临床辅助决策, 临床决策支持, 可解释性预测模型, 集成学习, LightGBM模型, SHAP

来源：中国组织工程研究杂志一点号