可解释机器学习在儿童自闭症筛查中的应用：从黑箱到透明医疗AI

本文介绍了一个将SHAP可解释性技术与机器学习结合的自闭症谱系障碍（ASD）筛查项目autism-screening-explainability。该项目不仅实现了98.3%的准确率，更通过SHAP技术让AI决策过程透明可追溯，为临床AI应用提供了重要参考范式。项目旨在解决医疗AI的信任难题，让医生和家长理解AI判断的依据，推动AI在特殊儿童医疗领域的可信应用。

ASD早期筛查是儿科医疗的重大挑战，传统依赖医生经验和问卷，但资源匮乏地区难以及时诊断。机器学习为筛查带来新可能，但"黑箱"问题导致信任不足。本项目源于临床需求：让模型既准确又能解释行为指标，助力个性化干预。项目采用UCI的自闭症儿童筛查数据集（292名儿童，21项特征，含Q-CHAT的A1-A10行为问卷），数据类别分布均衡（151阴性/141阳性），为模型训练提供基础。

项目采用严谨流程：先进行数据泄露检测（移除与目标变量高度相关的特征如'result'和'age_desc'）；特征工程中强调标准化处理（StandardScaler），发现SVM经标准化后准确率从50.8%升至98.3%。对比六种模型：逻辑回归与SVM（准确率98.3%，AUC-ROC1.0）、随机森林（96.6%，0.997）、梯度提升树（91.5%）、决策树（89.8%）、K近邻（83.1%）。评估用分层K折交叉验证确保泛化性能。

项目引入SHAP（基于博弈论的特征归因方法）量化特征贡献及方向。关键洞察：1. A1-A10行为问卷项重要性远超人口统计学特征，与临床ABA治疗关注点一致；2. 可针对单个预测解释（如A3指向行为缺失、A4分享兴趣缺失、A10无目的凝视存在推高风险）；3. 通过可视化图表（存于outputs/）让临床人员易理解，为干预提供指导。

项目为临床AI应用提供可复制范式：对数据科学家，展示医疗AI标准流程（泄露检测、相关性分析、标准化、交叉验证、可解释性）；对临床医生，证明AI可透明化，SHAP结果与经验验证建立信任；对特殊儿童家庭，透明诊断过程帮助家长理解风险依据，便于日常观察孩子发展。

项目为教育研究用途，不用于临床诊断。局限：数据集规模小（292例）、缺乏多中心验证、未纳入深度学习模型对比。未来方向：整合更大多样化数据集、开发非技术用户Web界面、探索深度学习与可解释性结合、进行前瞻性临床验证研究。