Modelos de aprendizaje automático interpretables para la predicción de la beta talasemia: un enfoque de IA explicable...

Área de la Ciencia:

• Informática Médica
• Biología Computacional
• Aprendizaje Automático

Sus antecedentes:

• La Beta Talasemia es un trastorno sanguíneo hereditario que afecta la producción de hemoglobina y glóbulos rojos.
• El diagnóstico preciso es crucial para el manejo de esta condición, lo que requiere herramientas de diagnóstico avanzadas.

Objetivo del estudio:

• Desarrollar un sistema experto interpretable para predecir la Beta Talasemia.
• Mejorar la utilidad clínica a través de técnicas de IA explicable (XAI).

Principales métodos:

• Se aplicó el Análisis de Componentes Principales (PCA) y la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para la reducción de la dimensionalidad y el equilibrio de clases en un conjunto de datos de 5066 pacientes portadores de Beta Talasemia (BTC).
• Se utilizaron clasificadores de aprendizaje automático que incluyen Redes Neuronales, Redes Neuronales Recurrentes y Memoria a Corto Plazo (LSTM).
• Se integraron SHapley Additive Explanations (SHAP) y Local Interpretable Model-Agnostic Explanations (LIME) para la interpretabilidad del modelo.

Principales resultados:

• Se lograron métricas de alto rendimiento, incluyendo 99,30% de precisión, 99,33% de precisión, 99,33% de recuperación, 99,33% de especificidad y 99,33% de puntuación F1.
• SHAP proporcionó importancia global de las características, mientras que LIME ofreció explicaciones locales para predicciones individuales.

Conclusiones:

• El sistema experto desarrollado demuestra una alta precisión predictiva para la Beta Talasemia.
• La integración de técnicas XAI (SHAP y LIME) mejora la transparencia e interpretabilidad del modelo, facilitando la adopción clínica.