English(EN) Clinically Interpretable Biological Age Estimation Using CatBoost and SHAP with Continuous and Categorical Features from NHANES

AI 模型使用多样化的临床数据和 SHAP 估计生物年龄

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员开发了一种新颖的机器学习框架，使用 CatBoost 回归模型和 SHAP 进行可解释性来估计生物年龄。该模型在美国国家健康与营养调查的大型数据集上进行了训练，整合了包括人口统计学、实验室检查、体格检查和生活方式预测因素在内的多种特征。该框架引入了一种自动化程序，用于量化 SHAP 依赖性图中的特征贡献，超越了视觉检查，提供了可重现的量化指标。该模型证明了估计生物年龄与实际年龄之间存在很强的相关性，并且人口水平的 SHAP 分析确定了关键预测因素，如血尿素氮和血清葡萄糖。 AI

影响增强了生物衰老研究的透明度，并为精准健康应用奠定了基础。

排序理由该集群包含一篇学术论文，详细介绍了使用机器学习进行生物年龄估计的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了使用机器学习进行生物年龄估计的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yanni Sun, Zheng Qu, Kevin Ren, Zhanglin Lin Cui · 2026-10-16 04:00

使用 CatBoost 和 SHAP 结合 NHANES 的连续和分类特征进行临床可解释的生物年龄估计

arXiv:2610.20868v1 Announce Type: new Abstract: Biological age (BA) captures inter-individual variation in physiological aging beyond chronological age (CA). Although machine-learning models have advanced BA estimation, many rely primarily on continuous laboratory biomarkers, and…

本文如何被排名

报道来源 [1]

使用 CatBoost 和 SHAP 结合 NHANES 的连续和分类特征进行临床可解释的生物年龄估计

相关实体

相关话题