
-
生物通官微
陪你抓住生命科技
跳动的脉搏
结合联邦可解释人工智能的时间深度强化学习用于纵向心血管风险预测及个性化干预推荐
《Scientific Reports》:Temporal deep reinforcement learning with federated explainable AI for longitudinal cardiovascular risk prediction and personalized intervention recommendation
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要心血管疾病(CVD)仍是全球死亡的主要原因,迫切需要能够预测疾病进展并推荐及时个性化干预的智能临床决策支持系统。现有的机器学习模型主要进行静态风险预测,缺乏利用患者纵向轨迹、提供适应性治疗建议、同时确保模型可解释性以及保护患者隐私的能力。为解决这些局限性,本文提出了 Fe
心血管疾病(CVD)仍是全球死亡的主要原因,迫切需要能够预测疾病进展并推荐及时个性化干预的智能临床决策支持系统。现有的机器学习模型主要进行静态风险预测,缺乏利用患者纵向轨迹、提供适应性治疗建议、同时确保模型可解释性以及保护患者隐私的能力。为解决这些局限性,本文提出了 FedXRL-CVD,即一种用于纵向心血管风险预测和个性化干预推荐的联邦可解释深度强化学习框架。该框架将时序深度学习、离线强化学习、可解释人工智能(XAI)和隐私保护联邦学习集成到一个统一的端到端架构中。使用基于 LSTM、GRU 和注意力的序列学习网络对患者纵向轨迹进行建模,以从重复的临床检查中捕捉疾病进展。随后,学习到的时序表示被离线强化学习智能体利用,通过最大化长期临床收益同时最小化不必要的干预成本,来推荐个性化干预策略。为了提高临床透明度,该框架结合了时序注意力可视化、奖励分解、特征归因以及一个统一的临床仪表盘,用于解释心血管风险预测和干预建议。此外,联邦学习使得多个医疗机构能够在不共享敏感患者记录的情况下进行协作模型优化,从而支持遵守医疗数据隐私法规。实验评估使用了三个公开的纵向心血管队列:弗雷明汉心脏研究(FHS)、多族裔动脉粥样硬化研究(MESA)以及社区动脉粥样硬化风险(ARIC)研究。实验结果表明,该框架实现了 96.02% 的准确率、95.8% 的精确率、95.1% 的召回率、95.4% 的 F1 分数和 0.991 的 ROC-AUC,优于传统的机器学习和时序深度学习基线,同时实现了 91.7% 的个性化干预推荐策略成功率。这些发现表明,FedXRL-CVD 有效地结合了准确的纵向预测、可解释的决策支持、适应性干预学习和隐私保护协作智能,为下一代精准心血管医疗保健提供了有前景的框架。