背景与目标

高性能机器学习模型（如XGBoost）常被视为"黑箱"，缺乏可解释性限制了其临床应用。本研究旨在弥合预测准确性与叙事透明度之间的差距，专注于肌肉减少症风险评估。

方法

提出LLM自适应解释框架（LAI-ML），这是一种新颖的知识蒸馏架构。该框架通过专门技术（HAGA和CACS）将训练好的XGBoost模型的特征归因转化为概率格式。随后，在强化学习循环和案例检索的指导下，大语言模型生成数据可信的诊断叙述。

结果

LAI-ML框架达到83%的预测准确率，显著优于基线XGBoost模型（提升13%）。值得注意的是，大语言模型不仅复制了教师模型的逻辑，还在21.7%的不一致案例中纠正了其预测，展现出增强的推理能力。

结论

LAI-ML有效将不透明的模型预测转化为可信且可解释的临床见解，为医疗人工智能中的"黑箱"问题提供了可部署的解决方案。

更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）