βサラセミア予測のための解釈可能な機械学習モデル：スマートヘルスケア5.0のための説明可能なAIアプローチ

科学分野:

• 医療情報学
• 計算生物学
• 機械学習

背景:

• 正確な診断は、この状態を管理するために不可欠であり、高度な診断ツールが必要とされています。
• βサラセミアは、ヘモグロビンと赤血球の産生に影響を与える遺伝性の血液疾患です。

研究 の 目的:

• 説明可能なAI（XAI）技術を統合して、臨床的有用性を高める。
• βサラセミアを予測するための解釈可能な専門システムを開発する。

主な方法:

• 次元削減とクラスバランスのために、5066人のβサラセミアキャリア（BTC）患者のデータセットで主成分分析（PCA）と合成少数オーバーサンプリング技術（SMOTE）を適用しました。
• ニューラルネットワーク、リカレントニューラルネットワーク、長期短期記憶（LSTM）を含む機械学習分類器を利用しました。
• モデルの解釈可能性のために、SHapley Additive Explanations（SHAP）とLocal Interpretable Model-Agnostic Explanations（LIME）を統合しました。

主要な成果:

• SHAPはグローバルな特徴量の重要性を提供し、LIMEは個々の予測に対するローカルな説明を提供しました。
• 精度99.30％、適合率99.33％、再現率99.33％、特異度99.33％、F1スコア99.33％を含む高いパフォーマンスメトリクスを達成しました。

結論:

• 開発された専門システムは、βサラセミアに対して高い予測精度を示しています。
• XAI技術（SHAPおよびLIME）の統合は、モデルの透明性と解釈可能性を高め、臨床での採用を容易にします。