AI医学必看！使用SHAP解释医疗机器学习模型中的预测结果

关注

原创最新推荐文章于 2026-09-04 12:11:42 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

SHAP实战：用kernelshap和shapviz搞定医疗数据预测的可解释性分析（附完整代码）本文详细介绍了如何利用SHAP工具（特别是kernelshap和shapviz组合）进行医疗数据预测的可解释性分析。通过完整代码示例，展示了从数据预处理到SHAP值计算、可视化及临床解释的全流程，帮助医疗AI开发者创建透明且可信的预测模型，满足临床决策中对模型解释性的需求。阅读详情

假设你是一名医生，正在使用一款AI工具，该工具显示某位患者有78%的概率患上糖尿病，但当你问它原因时，工具却无法说出个所以然来，我们肯定不会相信这个AI工具给出的结果。

在医疗领域，仅靠准确性是不够的，无论你是医生、研究人员还是患者，都需要了解预测背后的原因，尤其是当它影响治疗、诊断或医疗服务的获取时。

这时，SHAP就派上用场了，SHAP（SHapley Additive exPlanations）帮助我们洞察机器学习模型的“黑箱”，看清其内部运作。

它展示了哪些特征（如BMI、年龄或血压）在驱动模型的决策，以及每个特征的贡献程度。

本文将通过一个真实的医疗案例，展示如何使用SHAP来解释预测糖尿病风险的模型。

包含：

全局特征重要性——模型用于预测的主要因素
特征效应——每个特征如何影响风险，以及特征之间的相互作用
个体预测——模型如何解释为何给特定的人打高（或低）风险分

本文的目标是展示SHAP如何增进理解、信任和透明度——在AI与医疗相遇的今天，这比以往任何时候都更为重要。

什么是SHAP，为何要关注它？

大多数机器学习模型就像黑箱，你输入数据（如患者的年龄、体重和血压），它输出结果（如风险评分），但它很少解释得出结论的过程。

SHAP值（SHapley Additive exPlanations的缩写）解决了这一问题，它们精确展示了每个特征对每个个体预测的贡献程度。

可以把这想象成分配小组作业的功劳，想象五个人合作完成了一个项目，得了A。

SHAP可以算出每个人做了多少工作——谁提高了成绩，谁没帮忙，谁甚至拖了后腿。

现在把这个思路应用到AI模型上：SHAP展示了哪些特征（如BMI、年龄或高胆固醇）将预测推向了“是的，这个人有患糖尿病的风险”。

例如：

如果患者的BMI非常高，这可能会将预测推向“糖尿病”。
如果他们年轻且经常运动，这些因素可能会拉低预测值。

SHAP不仅对一个人这样做——它对每个预测都这样做，还能展示模型总体上学到了什么。

这就是SHAP的强大之处：即使模型很复杂，它也能帮助你理解模型的“思考”过程。

另外我们精心打磨了一套基于数据与模型方法的AI科研入门学习方案（已经迭代第6次），对于人工智能来说，任何专业，要处理的都只是实验数据，所以我们根据实验数据将课程分为了三种方向的针对性课程，包含时序、影像、AI＋实验室，我们会根据你的数据类型来帮助你选择合适的实验室，根据规划好的路线学习 只需3-5个月左右（很多同学通过学习已经发表了 sci 一区及以下、和同等级别的会议论文）学习形式为直播＋录播，多位老师为你的论文保驾护航。

适合人群：

导师放养，自学无头绪
时间紧任务重有延毕风险
想提前完成大小论文为之后读博或工作做准备的
想通过发表sci论文、提升科研能力bao研、考研的本科同学

文章中所有的数据和资料，可添加小助手无偿分享~
扫码添加小助手即可无偿获取~

也可以关注“AI技术星球”公众号，关注后回复“221C”获取。

数据与模型

在这个项目中，使用了名为“糖尿病健康指标数据集”

（https://www.kaggle.com/datasets/alexteboul/diabetes-health-indicators-dataset/data）的公开数据集。

它包含了数千人的健康调查信息，如年龄、BMI、身体活动、总体健康状况以及是否患有糖尿病。

为了构建模型，使用了XGBoost，这是一种在结构化数据上表现优异的流行机器学习算法。

选择XGBoost的原因之一是它与SHAP无缝协作，使我们能够清晰高效地解释预测。

model = xgb.XGBClassifier(
    n_estimators=100,100,
    max_depth=4,
    learning_rate=0.1,
    use_label_encoder=False,
    eval_metric='logloss',
    random_state=42
)

model.fit(X_train, y_train)

在医疗领域，可解释性至关重要，医生和患者不仅需要预测结果——他们还需要理解模型为何做出这样的预测，这就是没有在这里使用复杂的深度学习模型的原因，相反专注于强大且可解释的模型。

接下来，我们将使用SHAP来探索模型学到了什么——以及它是如何做出决策的。

模型最依赖哪些特征？

训练完模型后，下一个重要问题是：

“模型在做出预测时关注哪些因素？”

SHAP通过展示全局特征重要性轻松回答了这个问题——换句话说，模型在所有患者中使用的最多的特征。

让我们看两个简单的可视化图表。

SHAP汇总图（蜂群图）

这个图表初看可能很复杂，但一旦知道如何解读，其实非常直观。

解读方法：

每一行代表一个特征（如BMI、年龄等）。
每个点代表一个患者。
颜色表示该特征的实际值（红色=高，蓝色=低）。
x轴上的位置表示该特征将模型的预测值提高了还是降低了。

关键发现：

GenHlth（自我报告的总体健康状况）是最重要的特征。健康状况较差（红色）会强烈推动预测结果趋向糖尿病。图上的点分布广泛，表明排列重要性较高。
HighBP（高血压）：高血压（红色）持续增加预测的糖尿病风险，而低血压（蓝色）则降低风险。
Age（年龄）：年龄较大的人（红色）更有可能被预测为糖尿病患者。中间区域的聚集表明可能与其他特征存在相互作用。
BMI（体重指数）：BMI越高，预测风险越大，尤其是在BMI为25-40之间。中间范围的重叠表明与其他特征存在相互作用。
Heart Disease or Attack（心脏病或发作）：大多数患者的SHAP值较低，但少数心脏病患者（粉色点）的风险明显更高。这与临床现实相符：心脏病虽然罕见，但影响重大。
Stroke（中风）：与心脏病类似：受影响的患者较少，但受影响的患者糖尿病风险急剧增加，反映在较高的SHAP值上。