推进甲状腺护理:一个准确可靠的诊断系统,使用可解释的人工智能和混合机器学习技术
Ananda Sutradhar1, Sharmin Akter1, F M Javed Mehedi Shamrat2
1Department of Computer Science and Engineering, Daffodil International University, Dhaka, Bangladesh.
Heliyon
|December 17, 2024
概括
这项研究引入了一种可解释的机器学习模型,用于早期检测甲状腺疾病. RDKST分类器实现了98.98%的准确性,识别了TSH和T3等关键特征,以改善患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 内分泌学 在内分泌学.
背景情况:
- 甲状腺疾病的患病率在全球范围内不断增加,导致死亡率.
- 机器学习 (ML) 为早期发现和治疗甲状腺疾病提供了潜力.
- 可解释的预测对于患者和利益相关者对医疗AI的信任至关重要.
研究的目的:
- 使用可解释AI (XAI) 开发一种可解释的甲状腺分类模型.
- 调查预测特征在甲状腺疾病分类中的贡献.
- 通过准确和可理解的AI预测,增强临床决策和患者护理.
主要方法:
- 使用SMOTE-ENN进行数据预处理和平衡.
- 混合分类器 (RDKVT,RDKST) 在选定的特征 (无变量,信息获取) 上接受训练.
- 沙普利添加式解释 (SHAP) 用于特征重要性分析.
主要成果:
- 使用信息获取功能,RDKST分类器实现了98.98%的准确性.
- 影响结果的关键特征包括T3,TT4,TSH,FTI和T3_measured.
- 该模型有效地平衡了分类性能与结果的解释性.
结论:
- 开发的可解释的ML模型显示了甲状腺疾病分类的高准确性.
- SHAP分析为功能贡献提供了洞察力,提高了模型的透明度.
- 这种方法可以改善临床决策支持和治疗甲状腺疾病的患者管理.
