ランダムフォレスト、k近傍法、ニューラルネットワークを組み合わせた透明なアンサンブルモデルを使用した2型糖尿病の予測と分類

科学分野:

• 医療情報学
• ヘルスケアにおける機械学習
• 計算生物学

背景:

• 糖尿病は、慢性的な高血糖が重度の臓器損傷につながる、世界的な健康上の大きな課題です。
• 糖尿病合併症を軽減するためには早期検出が不可欠ですが、機械学習モデルは「ブラックボックス」の性質により信頼性の問題に直面しています。

研究 の 目的:

• 透明で正確なハイブリッド機械学習モデルを開発して2型糖尿病を検出すること。
• LIMEおよびSHAP説明技術を使用してモデルの解釈可能性を高めること。
• 糖尿病分類のための主要な予測特徴を特定すること。

主な方法:

• ニューラルネットワーク（NN）、k近傍法（KNN）、ランダムフォレスト（RF）を組み合わせたハイブリッドモデルを、スタッキングと投票を使用して開発しました。
• データ前処理には、Pima Indians Diabetesデータセット（768サンプル、8特徴量）のインピュテーション、正規化、特徴量選択が含まれていました。
• ネストされたクロスバリデーション、LIME、SHAPを堅牢な評価とモデルの解釈可能性のために採用しました。

主要な成果:

• スタッキングアンサンブルモデルは、クラス0に対して完璧なパフォーマンス（精度、適合率、再現率、特異度、F1、AUROCが100％）を達成しました。
• 説明可能なAIは、前糖尿病の最も影響力のある予測因子としてグルコースレベルを特定しました。
• グルコース、BMI、血圧が主要な予測因子として特定され、臨床基準と一致しました。

結論:

• 開発されたスタッキングアンサンブルモデルは、2型糖尿病予測のための非常に正確で解釈可能なソリューションを提供します。
• 説明可能性技術は、重要な特徴と決定しきい値を特定することにより、モデルを正常に解明しました。
• このアプローチは、糖尿病管理における臨床的意思決定支援のための貴重なツールを提供します。