白盒模型
Parent: ai_keywords
白盒模型
核心定义
白盒模型（White-box Model）指在机器学习中内部决策逻辑完全透明、可被人类理解与验证的模型。与黑盒模型（如深度神经网络、集成树）相反，白盒模型通过显式的数学公式、规则或简单结构，使输入到输出的映射路径清晰可见。常见形式包括线性回归、逻辑回归、决策树、规则列表、朴素贝叶斯等。在医学领域，可解释性是临床落地的关键瓶颈，白盒模型因满足合规性、可审计性与信任需求而具有独特价值。
关键技术点
-
全局可解释性
模型整体结构可通过有限参数或规则完整描述，例如决策树的分支路径、逻辑回归的权重系数，临床医生可逐层审查其推理依据。 -
局部可解释性
针对单次预测，能够精确回溯特征贡献。白盒模型的局部解释是天然的：线性模型的系数相乘即贡献，决策树的一条路径即规则。 -
规则提取与简洁性
白盒模型倾向于生成简洁的决策规则（如“若年龄>70且NIHSS评分≥15，则预后不良”），规则数量可控，便于写入临床指南或集成到电子病历系统。 -
鲁棒性分析
特征变化对输出的影响可解析计算（如偏导数、分割阈值），从而定位模型对哪些输入变量敏感，辅助发现潜在的混杂或虚假关联。 -
性能-可解释性权衡
白盒模型通常牺牲部分预测精度换取透明度，但在结构化医疗数据（表格、时序）上，线性模型或浅层决策树经特征工程后能达到与复杂模型相近的AUC，且避免过拟合。
医学/神经科学应用场景
缺血性脑卒中90天预后预测（首都医科大学神经病学背景）
基于急性期入院数据（年龄、NIHSS评分、血压、血糖、溶栓与否），构建多变量逻辑回归白盒模型。模型输出每个特征的调整后优势比（OR）及95%置信区间，例如：
- NIHSS每增加1分，良好预后（mRS 0–2）的OR降低20%（OR=0.80，p<0.001）
- 溶栓治疗的保护性OR=1.45（p=0.03）
临床医生可立即理解：为什么某位65岁NIHSS=12的患者被预测为不良预后？因为模型中该患者的“高NIHSS”贡献了最大负向对数几率。模型系数直接对应临床直觉，支持院内多学科团队在5分钟内完成模型验证与诊疗决策。首都医科大学宣武医院已将该类白盒模型嵌入卒中电子病历模块，替代传统的评分量表，实现可解释、可干预的床旁决策支持。
