模型开发与比较：8 种机器学习模型经 5 折交叉验证和独立测试集测试，结果显示 CatBoost 在分类和校准指标上表现出色，其在独立测试集上的准确率为 0.8902，F1 值为 0.8627，AUC 为 0.9697，Brier 得分为 0.0691 ，因此被选为最终模型。 模型解释：运用 SHAP 方法对模型 ...

为提升实体器官移植供受体交叉配型兼容性预测水平，研究人员开发 DARA 工具，其 ROC-AUC 达 0.975，意义重大。 在医疗领域，实体器官移植堪称许多慢性病患者的 “救命稻草”。想象一下，无数患者在漫长的等待中，翘首以盼着合适的器官能降临，重获新生的 ...