Video Experimental Relacionado
Updated: Jan 8, 2026
Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
Predicción de obesidad utilizando un marco de aprendizaje profundo explicable basado en LSTM-LIME con visualización
Norah S Alsulami1,2, Muhammad Sher Ramzan3, Bander A Alzahrani3
1Department of Information Systems, Faculty of Computer Science and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia. nalsulami0391@stu.kau.edu.sa.
Este estudio desarrolló un modelo de aprendizaje profundo explicable para la predicción de la obesidad utilizando datos saudíes. El modelo Bidirectional Long Short-Term Memory (Bi-LSTM) logró una precisión del 96%, ofreciendo información interpretable sobre los factores de riesgo de la obesidad.
Área de la Ciencia:
- Informática de la Salud
- Inteligencia Artificial en Medicina
- Salud Pública
Sus antecedentes:
- La obesidad presenta un desafío significativo para la salud global, lo que requiere herramientas avanzadas de evaluación de riesgos.
- Los modelos precisos e interpretables son cruciales para la detección temprana y la prevención efectivas de la obesidad.
- Los modelos existentes a menudo carecen de especificidad cultural y transparencia en la identificación de factores.
Objetivo del estudio:
- Introducir un marco novedoso de aprendizaje profundo explicable para la predicción multiclas de obesidad.
- Desarrollar y evaluar modelos utilizando un conjunto de datos único específico de Arabia Saudita que integra diversos factores de salud.
- Mejorar la transparencia en la evaluación del riesgo de obesidad a través de IA interpretable.
Principales métodos:
- Evaluación de seis modelos de aprendizaje profundo: LSTM, Bi-LSTM, RNN, DNN (MLP), TabNet y Autoencoder.
- Se utilizó un conjunto de datos específico de Arabia Saudita que comprende datos antropométricos, de estilo de vida y dietéticos.
- Se integraron Explicaciones Locales Interpretables Agnósticas al Modelo (LIME) con Bi-LSTM para la interpretabilidad.
Principales resultados:
- El modelo Bidirectional LSTM (Bi-LSTM) demostró un rendimiento superior con un 96% de precisión, 0.96 de recall macro y 0.95 de F1-score macro.
- Se utilizaron métricas de regresión (MAE, RMSE, R²) para la calibración del modelo y la evaluación de la clasificación errónea ordinal.
- El marco desarrollado proporciona predicciones precisas y visualización transparente de los factores de riesgo de obesidad.
Conclusiones:
- El modelo Bi-LSTM ofrece una solución altamente precisa e interpretable para la predicción multiclas de obesidad en la población saudí.
- Esta investigación establece el primer conjunto de datos multiclas de obesidad saudí culturalmente específico para aplicaciones de salud impulsadas por IA.
- La integración de IA explicable con datos específicos de la región avanza las estrategias de salud pública de precisión.
