目的以中药药性作为特征描述符构建机器学习抗辐射作用预测模型,并解释抗辐射中药药性的重要药性特征以指导临床和日常辐射防治。方法通过药智网、中国知网、PubMed等数据库获取报道具有抗辐射作用的中药研究文献,通过SymMap数据库获得...目的以中药药性作为特征描述符构建机器学习抗辐射作用预测模型,并解释抗辐射中药药性的重要药性特征以指导临床和日常辐射防治。方法通过药智网、中国知网、PubMed等数据库获取报道具有抗辐射作用的中药研究文献,通过SymMap数据库获得《中国药典》等权威著作记载的中药性味归经等药性作为特征描述符构建数据库,并将数据处理为适合机器学习的格式。使用随机森林、支持向量机、梯度提升、逻辑回归、全连接神经网络5种机器学习模型对数据集进行五折交叉训练并进行性能评估,再使用10个未参与训练的报道具抗辐射作用的中药和10个报道无抗辐射作用的中药作为外部验证集测试模型,最后利用SHapley加性解释(SHapley additive ex planations,SHAP)解释器对决定抗辐射作用有无的重要药性特征进行可视化。结果收集到涉及单味药研究、保健食品注册和复方研究共136味报道具抗辐射作用的中药,总频次为447次,其中中药使用频次及频率排名前3的为灵芝、红景天、枸杞子,频次≥10的中药共10味。在5个机器学习的性能评估中,随机森林性能最佳,其准确率、平衡F分数(F1)和曲线下面积(area under urve,AUC)分别为0.8044、0.7732和0.8798。在外部中药抗辐射的验证中,随机森林模型能较好地预测已报道具有抗辐射作用的中药。性能最佳的随机森林SHAP解释器认为“补虚、清热”功效,“心、肝、脾、肺”归经,“酸、甘、苦”味,“寒”药性特征对抗辐射作用贡献最大。结论首次将中药药性作为特征描述应用到机器学习当中并取得了较好的预测模型性能,并指导了放射病的中医药防治,即当以扶正祛邪,滋阴降火,主治心、肝、脾、肺为治疗原则。此外,机器学习模型较好的预测结果反映了中医药理论对疾病的防治具有良好的可解释性与可重现性。展开更多
文摘目的以中药药性作为特征描述符构建机器学习抗辐射作用预测模型,并解释抗辐射中药药性的重要药性特征以指导临床和日常辐射防治。方法通过药智网、中国知网、PubMed等数据库获取报道具有抗辐射作用的中药研究文献,通过SymMap数据库获得《中国药典》等权威著作记载的中药性味归经等药性作为特征描述符构建数据库,并将数据处理为适合机器学习的格式。使用随机森林、支持向量机、梯度提升、逻辑回归、全连接神经网络5种机器学习模型对数据集进行五折交叉训练并进行性能评估,再使用10个未参与训练的报道具抗辐射作用的中药和10个报道无抗辐射作用的中药作为外部验证集测试模型,最后利用SHapley加性解释(SHapley additive ex planations,SHAP)解释器对决定抗辐射作用有无的重要药性特征进行可视化。结果收集到涉及单味药研究、保健食品注册和复方研究共136味报道具抗辐射作用的中药,总频次为447次,其中中药使用频次及频率排名前3的为灵芝、红景天、枸杞子,频次≥10的中药共10味。在5个机器学习的性能评估中,随机森林性能最佳,其准确率、平衡F分数(F1)和曲线下面积(area under urve,AUC)分别为0.8044、0.7732和0.8798。在外部中药抗辐射的验证中,随机森林模型能较好地预测已报道具有抗辐射作用的中药。性能最佳的随机森林SHAP解释器认为“补虚、清热”功效,“心、肝、脾、肺”归经,“酸、甘、苦”味,“寒”药性特征对抗辐射作用贡献最大。结论首次将中药药性作为特征描述应用到机器学习当中并取得了较好的预测模型性能,并指导了放射病的中医药防治,即当以扶正祛邪,滋阴降火,主治心、肝、脾、肺为治疗原则。此外,机器学习模型较好的预测结果反映了中医药理论对疾病的防治具有良好的可解释性与可重现性。
