使用可解释的优化自适应性神经模糊推理系统对人类乳病易感性的空间预测
Ali Jafari1, Ali Asghar Alesheikh1, Iman Zandi2
1Department of GIS, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran.
Acta tropica
|December 2, 2024
概括
这项研究使用先进的人工智能模型增强了人类菌病易感性测绘. 混合ANFIS-PSO模型准确地预测疾病风险,有助于向菌病控制策略.
科学领域:
- 兽医流行病学 兽医流行病学
- 环境健康 环境健康
- 计算生物学 计算生物学
背景情况:
- 畜生病是一种影响人类,牲畜和野生动物健康的动物传染病,造成重大经济损失.
- 准确地绘制人类菌病易感性的地图对于有效的疾病控制和预防至关重要.
- 现有的绘图方法需要改进,以获得更好的准确性和可解释性.
研究的目的:
- 通过将自适应神经模糊推理系统 (ANFIS) 与元启发式算法集成来增强人类甲病易感性映射 (HBSM).
- 确定影响菌风险的关键环境和气候共变量.
- 将拟议的混合模型与传统机器学习方法的性能进行比较.
主要方法:
- 使用了与元启发式算法 (遗传算法和粒子集群优化) 集成的ANFIS.
- 使用Boruta-XGBoost进行共变量选择和VIF/耐受性测试进行对线性评估.
- 应用沙普利增量解释 (SHAP) 值用于模型可解释性.
主要成果:
- 混合ANFIS-PSO模型在伊朗马赞达兰省取得了卓越的性能 (RMSE:0.5076;R2:0.6980).
- SHAP分析确定了平均海拔高度,NDVI和相对湿度作为影响菌病易感性的关键共变量.
- 与支持向量回归 (SVR) 相比,基于ANFIS的模型表现更好.
结论:
- 开发的ANFIS-PSO模型为HBSM提供了一个强大的和可解释的框架.
- 这种方法有助于有效的公共卫生干预和资源分配,以控制血病.
- 未来的研究可以探索先进的算法,并纳入额外的数据,以进一步增强模型.
