Прогнозирование оптических свойств человеческой крови с помощью машинного обучения: сравнительное исследование оптимизированных алгоритмов с анализом интерпретируемости на основе SHAP
Machine learning prediction of human blood optical properties: a comparative study of optimized algorithms with SHAP-based interpretability analysis
2026-08-27
SCID: 54.1/x4fy8few
Discuss with AI
оптимизированный Optuna случайный лесинтерпретируемость SHAPбиомедицинская оптикаоптические свойства кровимашинное обучение
Figures from the paper
Abstract (AI)
Точная характеристика оптических свойств крови имеет важное значение для биомедицинской оптики, диагностической визуализации и терапевтических применений. Традиционные методы измерения часто ограничены сложными экспериментальными установками и идеализированными допущениями, что обусловливает необходимость создания надежных прогностических моделей. В настоящем исследовании представлен сравнительный фреймворк машинного обучения для прогнозирования трех оптических свойств крови: коэффициента поглощения (µa), коэффициента рассеяния (µs) и показателя преломления (RI). Были разработаны и систематически оптимизированы модели регрессии на основе метода опорных векторов (SVR), случайного леса (RF) и экстремального градиентного бустинга (XGBoost) с использованием фреймворка Optuna; обучение проводилось на обширном наборе данных, в котором в качестве входных признаков использовались длина волны, гематокрит (Hct%) и насыщение кислородом (SO2%). На тестовом наборе оптимизированная с помощью Optuna модель RF продемонстрировала наивысшую точность прогнозирования: R2 = 0.9981 и среднеквадратичная ошибка (RMSE) = 1.3680. Она значительно превзошла модели SVR (R2 = 0.9736) и XGBoost (R2 = 0.9865), продемонстрировав более высокую способность к обобщению. SHAP-анализ обеспечил интерпретируемость модели и подтвердил, что прогнозы основывались на физически обоснованной зависимости. Наиболее значимым предиктором была длина волны, тогда как гематокрит и насыщение кислородом вносили вклад в соответствии с принципами взаимодействия света с тканью, что подтверждает валидность модели. Кроме того, анализ показал, что модели на основе деревьев обеспечивают более эффективное использование признаков и более четкие границы принятия решений по сравнению с SVR, эффективнее улавливая нелинейные и иерархические взаимосвязи, характерные для биологических систем. Наконец, оптимизированные модели были развернуты через удобный веб-интерфейс, предоставив сообществу специалистов по биомедицинской оптике доступные и интерпретируемые инструменты для быстрого прогнозирования оптических свойств, способствующие развитию фундаментальных исследований и клинических приложений.
Key Findings
1
Оптимизированная с помощью Optuna модель случайного леса показала лучшие результаты на тестовых данных: R² = 0.9981 и RMSE = 1.3680.
2
SHAP-анализ показал, что длина волны является главным предиктором, тогда как гематокрит и насыщение кислородом вносят вклад через физически обоснованные взаимодействия света с тканью.
3
Оптимизированный случайный лес значительно превзошёл SVR (R² = 0.9736) и XGBoost (R² = 0.9865), продемонстрировав более высокую способность к обобщению.
4
Исследование предсказывает коэффициенты поглощения, рассеяния и показатель преломления крови по длине волны, гематокриту и насыщению кислородом с использованием оптимизированных моделей машинного обучения.
5
Модели на основе деревьев эффективнее SVR описывали нелинейные и иерархические биологические зависимости; оптимизированные модели также были реализованы в доступном веб-интерфейсе.
Research Object
Оптические свойства человеческой крови как функции длины волны, гематокрита и насыщения кислородом
Research Subject
Точность прогнозирования с помощью машинного обучения, вклад признаков, интерпретируемость и нелинейные взаимосвязи для коэффициента поглощения, коэффициента рассеяния и показателя преломления крови
Publication Details
Publication Date
2026-08-27
Journal
Publisher
ISSN
Cited by
0
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
XGBoost2016
Greedy function approximation: A gradient boosting machine.2001
Оптические свойства циркулирующей человеческой крови в диапазоне длин волн 400–2500 нм1999
Обзор литературы и новый теоретический подход к оптическим свойствам цельной крови2013
Определение оптических свойств человеческой крови в спектральном диапазоне 250–1100 нм с использованием моделирования методом Монте-Карло и эффективных фазовых функций рассеяния, зависящих от гематокрита2006